Development and Validation of a Deep Survival Model to Predict Time-to-Seizure from Routine EEG
Notice bibliographique
Résumé
Abstract Objective To develop and validate a deep survival model (EEGSurvNet) that analyzes routine EEG to predict individual seizure risk over time, comparing its performance to traditional clinical predictors such as interictal epileptiform discharges (IEDs). Methods We conducted a retrospective cohort study including 1,014 consecutive routine EEGs from 994 patients recorded at a tertiary epilepsy center. We developed EEGSurvNet, a deep learning model that predicts time-to-next-seizure over a two-year horizon from a single EEG. Model performance was evaluated on a temporally-shifted testing set of 135 EEGs from 115 patients using time-dependent area under the receiver operating characteristic curve (AUROC), AUROC integrated over two years (iAUROC), and C-index. We compared the deep survival model to a clinical Cox model incorporating standard risk factors as well as a random model based on baseline seizure risk. Results EEGSurvNet achieved a two-year iAUROC of 0.69 (95%CI: 0.64–0.73) and C-index of 0.66 (0.60–0.73), outperforming both clinical and random models. Performance was highest in the first months following EEG, peaking at 2 months (AUROC = 0.80). Combining EEGSurvNet to clinical predictors further improved performances (iAUROC = 0.70, C = 0.69). Notably, the model showed superior discrimination on EEGs without IEDs (iAUROC = 0.78 vs 0.53). Model interpretation revealed that the temporal-occipital regions and 6–15 Hz frequencies contributed most to risk prediction. Significance EEGSurvNet demonstrates that deep learning can extract prognostic information from routine EEG beyond visible epileptiform abnormalities, potentially improving patient counseling and treatment decisions. Future prospective studies are needed to validate these findings and assess their clinical impact. Key Points Deep learning model predicts individual seizure risk from routine EEG over 2 years Model performs better on EEGs without epileptiform discharges, suggesting novel biomarkers Temporal-occipital regions and 6-15 Hz frequencies contribute most to risk prediction Combined clinical-EEG model achieves best performance for seizure risk stratification
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».