Long-Term Seizure Outcomes in Autoimmune Encephalitis
Notice bibliographique
Résumé
Introduction: Seizures are common in autoimmune encephalitis (AE), but identifying patients at risk of chronic epilepsy in the post-acute phase remains challenging. This study aims to identify risk factors of treatment-resistant postencephalitic epilepsy. Methods: This retrospective cohort study included patients with AE who experienced new-onset seizures within one year of symptom onset from two tertiary care centers in New York. EEG findings were analyzed separately based on whether the EEG recording was obtained in the acute (<3 months from symptom onset) or subacute phase. A multivariate logistic regression model was used to identify independent predictors of postencephalitic epilepsy. Results: Eighty-nine patients were included (median age: 33 years). Neural antibodies were present in 73% of patients (NMDAR: 35, LGI1: 19, GAD65: 9, Hu: 1, AGNA-1: 1). Over a median follow-up of 4.9 years, 29.2% developed treatment-resistant postencephalitic epilepsy. Independent predictors of postencephalitic epilepsy included focal slowing on acute EEG (OR 0.15, CI 0.02-0.90), interictal epileptiform discharges (IEDs) or periodic discharges (PDs) on subacute EEG (OR 20.01, CI 1.94-206.44), and cell surface antibodies (OR 0.21, CI 0.05-0.89). Immunotherapy within three months of onset was associated with decreased epilepsy development in patients with neural antibodies (OR 4.16, CI 1.11-16.30). Conclusions: Nearly one-third of patients with AE and acute seizures developed treatment-resistant postencephalitic epilepsy, with significant predictors including absence of focal slowing on acute EEG, presence of IEDs and PDs on subacute EEG, absence of cell surface antibodies, and absence of early immunotherapy treatment of patients with positive neural antibodies.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».