文摘
摘要目的:使用来自连续脑电图监测癫痫的危险因素(cEEG)来创建一个简单的评分系统预测的概率电记录的癫痫患者的急性疾病。
背景:cEEG使用扩大了,出于亚临床发作住院脑病患者的发病率高。脑电图特征报告为癫痫发作的因素包括痫性放电和定期排放。但是,没有研究检验了这些因素如何影响癫痫发作的风险联合。这里我们提出一个简单的评分系统发作风险,我们称之为2 helps2b得分。
设计/方法:我们使用一个潜在的数据库获得数据集包含24临床和电记录的变量5427 > 24小时cEEG会话。使用这个数据集,我们创建了一个评分系统模型来估计病人接受cEEG发作风险。建造模型的一种新的机器学习方法(RiskSLIM)设计生产准确,risk-calibrated、评分系统与数量有限的变量和小整数权重。我们验证了我们的模型的预测精度和risk-calibration使用交叉验证,并比较其性能与最先进的逻辑回归模型建立方法。
结果:我们最后的模型(2 helps2b)的AUC 0.821和平均标定误差为2.7%。它包括6变量与以下点任务:(i)短暂可能发作的有节奏的排放(B) (i) RDs)(2分);(2)存在LPD、LRDA或BIPDs(1分);(3)前发作(1分);(iv)零星的痫性放电(1分);频率(v) > 2.0 hz任何定期或节奏模式(1分);(vi)的“+”特性(叠加、节奏、夏普或快速活动)(1分)。每个分数的预测癫痫发作的风险是:0:5%,1:12%,2:27%,3:50%,4:73%,5:88%,6 - 7:> 95%。
结论:2 helps2b允许准确预测癫痫发作增加分6可用变量从病人的历史和最初的脑电图。
研究支持:
这项研究是由一个研究基础设施支持奖从美国癫痫协会和癫痫的基础。
披露:博士没有披露。Ustun博士没有披露。Rodriguez-Ruiz博士没有披露。李医生没有披露。LaRoche博士已经收到版税,许可证费用,或从演示出版合同权利支付。赫希博士没有披露。Gilmore博士没有披露。Vlachy博士没有披露。海德尔博士没有披露。博士鲁丁没有披露。 Dr. Westover has nothing to disclose.
