Validation of a New AI Seizure Detection Algorithm for Pre-term Neonates, Term Neonates and Infants
Notice bibliographique
Résumé
Abstract Seizures are frequent in the first year of life and they are associated with increased risk of long-term neurological disability. Accurate diagnosis of seizures in neonates and infants requires continuous electroencephalogram (EEG) monitoring with expert interpretation. While rapid detection of seizures allows timely management and may influence neurodevelopmental outcomes, it may not be feasible in settings without round-the-clock expert interpretation. We evaluated the real-world performance of Clarity (Ceribell Inc.), a novel algorithm for automated seizure detection from EEG of preterm neonates, term neonates, and infants in a validation dataset of patients of postnatal age 0-1 years and gestational age 22-42 weeks who underwent continuous EEG monitoring at three hospitals in the United States. We quantified algorithm performance using the following metrics: (1) area under the curve for classification of 10-second EEG segments as seizure or no seizure; (2) sensitivity and false positives in detecting seizure episodes; and (3) sensitivity, specificity and negative/positive predictive value in identifying recordings where seizure duration reached or exceeded predetermined thresholds. The validation dataset consisted of 756 EEG recordings with a cumulative duration of 5230 hours (median: 2.94 hours, interquartile interval: 1.46-12.62 hours) from 167 preterm neonates, 323 term neonates, and 266 infants. A total of 568 seizures occurred in 75 recordings, with a cumulative seizure duration of 15.13 hours. The algorithm achieved an area under the curve of 0.96. The algorithm was correct 99-100% of the time when ruling out seizures in a recording. It correctly detected 75-83% of seizure episodes and identified 89-94% of recordings containing seizures. Performance was equivalent between preterm neonates, term neonates, and infants and across the three participating hospitals. Overall, the Clarity algorithm demonstrated high performance in detecting and ruling out seizures from EEG data in preterm neonates, term neonates, and infants across three hospitals. This demonstrates real-world feasibility and high reliability of automatic seizure detection with Clarity for continuous EEG monitoring in the first year of life.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».