Caractérisation électro-clinique des convulsions fébriles et risque d’épilepsie
Bibliographic record
Abstract
Environ 2-3% d’enfants avec convulsions fébriles (CF) développent une épilepsie, mais les outils cliniques existants ne permettent pas d’identifier les enfants susceptibles de développer une épilepsie post-convulsion fébrile. Des études ont mis en évidence des anomalies d’EEG quantifiée, et plus particulièrement en réponse à la stimulation lumineuse intermittente (SLI), chez des patients épileptiques. Aucune étude n’a analysé ces paramètres chez l’enfant avec CF et il importe de déterminer s’ils sont utiles pour évaluer le pronostic des CF. Les objectifs de ce programme de recherche étaient d’identifier, d’une part, des facteurs de risque cliniques qui déterminent le développement de l’épilepsie après des CF et, d’autre part, des marqueurs électrophysiologiques quantitatifs qui différencieraient les enfants avec CF des témoins et pourraient aider à évaluer leur pronostic. Afin de répondre à notre premier objectif, nous avons analysé les dossiers de 482 enfants avec CF, âgés de 3 mois à 6 ans. En utilisant des statistiques de survie, nous avons décrit les facteurs de risque pour développer une épilepsie partielle (antécédents prénataux, retard de développement, CF prolongées et focales) et généralisée (antécédents familiaux d’épilepsie, CF récurrentes et après l’âge de 4 ans). De plus, nous avons identifié trois phénotypes cliniques distincts ayant un pronostic différent : (i) CF simples avec des antécédents familiaux de CF et sans risque d’épilepsie ultérieure; (ii) CF récurrentes avec des antécédents familiaux d’épilepsie et un risque d’épilepsie généralisée; (iii) CF focales avec des antécédents familiaux d’épilepsie et un risque d’épilepsie partielle. Afin de répondre à notre deuxième objectif, nous avons d’abord analysé les potentiels visuels steady-state (PEVSS) évoqués par la SLI (5, 7,5, 10 et 12,5 Hz) en fonction de l’âge. Le tracé EEG de haute densité (128 canaux) a été enregistré chez 61 enfants âgés entre 6 mois et 16 ans et 8 adultes normaux. Nous rapportons un développement topographique différent de l’alignement de phase des composantes des PEVSS de basses (5-15 Hz) et de hautes (30-50 Hz) fréquences. Ainsi, l’alignement de phase des composantes de basses fréquences augmente en fonction de l’âge seulement au niveau des régions occipitale et frontale. Par contre, les composantes de hautes fréquences augmentent au niveau de toutes les régions cérébrales. Puis, en utilisant cette même méthodologie, nous avons investigué si les enfants avec CF présentent des anomalies des composantes gamma (50-100 Hz) des PEVSS auprès de 12 cas de CF, 5 frères et sœurs des enfants avec CF et 15 témoins entre 6 mois et 3 ans. Nous montrons une augmentation de la magnitude et de l’alignement de phase des composantes gamma des PEVSS chez les enfants avec CF comparés au groupe témoin et à la fratrie. Ces travaux ont permis d’identifier des phénotypes électro-cliniques d’intérêt qui différencient les enfants avec CF des enfants témoins et de leur fratrie. L’étape suivante sera de vérifier s’il y a une association entre les anomalies retrouvées, la présentation clinique et le pronostic des CF. Cela pourrait éventuellement aider à identifier les enfants à haut risque de développer une épilepsie et permettre l’institution d’un traitement neuroprotecteur précoce.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".