Paroxysmal slow wave events as a diagnostic biomarker for epilepsy: Lessons from rural Zambia
Notice bibliographique
Résumé
OBJECTIVE: Epilepsy affects more than 50 million people globally, with low- and middle-income countries (LMICs) bearing the greatest burden due to limited medical resources and stigma. Electroencephalography (EEG) is a cost-effective diagnostic tool, but its interpretation often requires unavailable expertise in rural areas. There is a pressing need for reliable, quantitative EEG biomarkers to enhance diagnosis, guide imaging, and monitor treatment. METHODS: We investigated paroxysmal slow wave events (PSWEs), transient markers of cortical network slowing, in scalp EEG recordings from epilepsy patients at the Kakumbi Rural Health Center in Zambia (n = 127) and from Bonn Epilepsy Center (n = 132). PSWE characteristics, including occurrence, duration, and spatial distribution, were analyzed. Source localization of PSWEs was performed using standardized low-resolution brain electromagnetic tomography software. RESULTS: PSWEs were observed in all patients with epilepsy. Time in PSWE showed negative correlation with patient age (r = -.26, p = .003) and disease onset (r = -.25, p = .005), regardless of age. PSWE characteristics, including temporal and spatial distribution, were associated with disease severity and similar to drug-resistant patients from Bonn Epilepsy Center. EEGs reported as "abnormal" had greater time in PSWE compared with "normal" EEGs (p = .024). Focal PSWE source localization suggested the presence of an intracranial lesion on computed tomography (area under the curve = .7). SIGNIFICANCE: This study supports previous research on the potential of PSWEs as a quantitative EEG biomarker in epilepsy. Automated analysis of PSWEs can enhance diagnostic accuracy and assist in screening patients for brain imaging, particularly in resource-constrained settings. This approach offers a practical solution to bridge the diagnostic gap in LMICs that can potentially be used to improve epilepsy management and patient outcomes.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».