The use of AI in epilepsy and its applications for people with intellectual disabilities: commentary
Notice bibliographique
Résumé
Epilepsy is one of the most common neurological disorders, affecting more than 50 million people worldwide. Management is particularly complex in individuals with intellectual disabilities, who are at a much higher risk of having severe seizures compared to the general population. People with intellectual disabilities are regularly excluded from epilepsy research, despite having significantly higher risks of negative health outcomes and early mortality. Recent advances in artificial intelligence (AI) have shown great potential in improving the diagnosis, monitoring, and management of epilepsy. Machine learning techniques have been used in analysing electroencephalography data for efficient seizure detection and prediction, as well as individualised treatment, which facilitates timely and customised intervention for individuals with epilepsy. Research and implementation of AI-based solutions for people with intellectual disabilities and epilepsy still remains limited due to a lack of accessible long-term clinical data for model training, difficulties in communicating with people with intellectual disabilities, and ethical challenges in ensuring the safety of the AI systems for this population. This paper presents an overview of recent AI applications in epilepsy and for people with intellectual disabilities, highlighting key challenges and the necessity of including people with intellectual disabilities in research on AI and epilepsy, and potential strategies to promote the development and use of AI applications for this vulnerable population. Given the prevalence and consequences associated with epilepsy in people with intellectual disabilities, the application of AI in epilepsy care has the potential to have a significant positive impact. To achieve this impact and to avoid increasing existing health inequity, there is an urgent need for greater inclusion of people with intellectual disabilities in research around the application of AI to epilepsy care and management.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,140 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,008 |
| Communication savante | 0,006 | 0,011 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,028 | 0,036 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».