Mortality in patients with epilepsy: a systematic review
Notice bibliographique
Résumé
BACKGROUND: Epilepsy is linked to a significantly higher risk of death, yet public awareness remains low. This study aims to investigate mortality characteristics, to reduce epilepsy-related deaths and improve prevention strategies. METHODS: This study systematically reviews mortality data in relevant literature from PubMed and Embase up until June 2024. Data quality is assessed using the Newcastle-Ottawa Scale, and analysis includes trends, regional differences, and the economic impact of premature death. Global Burden of Disease (GBD) data are used to validate trends. In addition, a review of guidelines and expert statements on sudden unexpected death in epilepsy (SUDEP) is included to explore intervention strategies and recommendations. RESULTS: Annual mortality rates of epilepsy have gradually declined, mainly due to improvements in low-income countries, while high-income regions have experienced an upward trend. Male patients exhibit higher mortality rates than females. Age-based analysis shows that the elderly contributes most to this increase due to chronic conditions such as cardiovascular disease and pneumonia related to epilepsy. This may be a key factor contributing to the increased mortality among epilepsy patients in aging high-income regions. Accidents and suicides are more prevalent in low-income regions. The highest mortality risks occur in the early years post-diagnosis and during prolonged, uncontrolled epilepsy. SUDEP remains a leading cause of death. CONCLUSION: This study highlights the impact of gender, region, and disease duration on epilepsy mortality. Future research should focus on elderly epilepsy patients mortality characteristics and personalized interventions for SUDEP.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».