Smartphone-based interventions for the diagnosis of epileptic seizures: A systematic review and meta-analysis.
Notice bibliographique
Résumé
OBJECTIVE: The main objective of this study was to assess the utility of smartphone-based interventions for epilepsy diagnosis. METHODS: A systematic review was performed to evaluate the use of smartphone devices to diagnose epileptic seizures compared with encephalogram (EEG), using the MEDLINE, Scopus, Web of Science, and Embase databases. We plotted pooled sensitivity and specificity estimates on forest plots and on receiver operating characteristics curves. We evaluated evidence certainty using the GRADE (Grading of Recommendations Assessment, Development, and Evaluation) methodology. Also, we constructed a Fagan nomogram to guide clinical decision-making. RESULTS: We identified 10 studies that evaluated different smartphone-based interventions to diagnose epileptic seizures, including a mobile app of a clinical survey, smartphone-based studies assessing EEG recording, heart rate variability recording and classifier, and video of the epileptic seizure using a smartphone. However, we only performed a quantitative analysis for the smartphone videos and Smartphone Brain Scanner-2. We found that smartphone videos had sensitivity of 77% (95% confidence interval [CI] = 60%-88%) and specificity of 91% (95% CI = 88%-93%) to diagnostic epileptic seizure, with an area under the curve of .91. On the other hand, Smartphone Brain Scanner-2 had sensitivity of 44% (95% CI = 34%-55%) and specificity of 94% (95% CI = 89%-96%). The Epilepsy Diagnosis Aid app had good sensitivity of 76% (95% CI = 66%-84%) and specificity 100% (95% CI = .83%-1.00%); in addition, the RRBLE6:9123 device had sensitivity of 86%. SIGNIFICANCE: Our systematic review and meta-analysis demonstrate high specificity with the use of smartphone videos compared with studies assessing EEG. Smartphone-based interventions show promise for diagnosing epilepsy; however, further research is needed to assess the utility of other tools like symptom survey apps and heart rate variability recorders.
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 | 0,010 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,014 | 0,028 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».