A Systematic Review and Meta-Analysis Evaluating the Clinical Impact and Accuracy of Artificial Intelligence in EEG for the Early Detection of Nonconvulsive Seizures
Notice bibliographique
Résumé
Artificial intelligence-integrated electroencephalography (AI-EEG) has demonstrated promise in the early detection of nonconvulsive status epilepticus (NCSE), particularly in emergency and intensive care settings with limited access to trained EEG technologists. This review includes 20 studies, of which 12 were incorporated into a meta-analysis assessing the diagnostic accuracy of AI-EEG. The pooled sensitivity reached 95%, with a specificity of 83%. However, when the pretest probability of NCSE is 40%, false positives may occur in approximately one in seven patients. Commercial AI-EEG platforms have shown a reduction in unnecessary antiepileptic drug (AED) administration compared to clinical judgment alone. Four prospective cohort studies reported a 26% relative risk reduction (RR -0.26; 95% CI -0.50 to -0.02; p = .03) in unnecessary AED use. Additionally, AI-EEG shortened the median time to EEG acquisition in resource-limited settings-from 4.5 hours (IQR 3.2-6.8) to 2.1 hours (IQR 1.5-3.4). A sub-analysis from an industry-sponsored trial suggested potential benefits of AI-EEG in reducing morbidity and ICU length of stay, though evidence remains insufficient for definitive conclusions. Despite these advantages, rapid-deployment AI-EEG systems face challenges: lack of video integration makes it difficult to distinguish seizures from artifacts or behavioral events, and limited electrode coverage may miss central brain activity. Moreover, AI algorithms tend to overread sharp and spike activities compared to human interpretation. Further investigator-initiated studies are needed to evaluate the diagnostic yield of AI-EEG beyond its simplified setup, assess its true impact on patient outcomes, and determine its feasibility for large-scale clinical implementation. .
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 | 0,009 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».