文摘
客观的开发和验证一个个性化的工具预测羊角风(癫痫)突然意外死亡的风险,我们再分析数据从1组和3病例对照研究从1980年到2005年。
方法我们进入1273例癫痫病例(287癫痫,986控制)和22个临床为贝叶斯logistic回归模型预测变量。
结果旨在个性化模型预测优于基准模型由只有平均人口风险或从广义tonic-clonic发作频率(成对差异leave-one-subject-out预期日志后密度= 35.9,SEM±12.5和22.9,SEM±11.0,分别)。平均旨在引导(95%置信区间)接收机操作曲线下的面积是0.71(0.68 - -0.74),我们的模型与0.38(0.33 - -0.42)和0.63(0.59 - -0.67)基线平均模型和广义tonic-clonic发作频率,分别。当应用于nonrepresented种群模型性能较弱。预后因素包括广义tonic-clonic和focal-onset发作频率、酒精过量,年轻在癫痫发作,癫痫家族史。抗癫痫药物治疗依从性降低的风险。
结论即使推广到看不见的数据,比基于模型的预测更准确的估计癫痫。我们的工具可以使风险分层生物标志物发现和介入试验。进一步验证无代表的人群,可能适合常规的临床决策。临床医生应该考虑多个风险因素的评估,而不是只关注抽搐的频率。
术语表
- AUROC=
- 接受者操作特征曲线下的面积;
- 吸收=
- 广义tonic-clonic癫痫;
- 密度=
- 马尔可夫链蒙特卡罗;
- 或=
- 优势比;
- 癫痫=
- 癫痫突然意外死亡
癫痫突然意外死亡(癫痫)是最常见的一类epilepsy-related死亡。1诊断需要排除其他潜在原因的死亡,因为没有发现尸体解剖结果。2的报告发病率1.2每1000例成人/ y3是低估了,因为历史和模棱两可的病理发现不足导致误分类。4,5
为什么有些人经历第二次发作后癫痫而其他人生存数千抽搐发作?持续的抽搐是主要的预后因素6,7但是调整分析不一致是否早就在癫痫发作,癫痫持续时间长,有症状的病因,夜间抽搐,大量或不依从抗癫痫药物的独立预测。8,9然而,我们不能准确地预测个性化癫痫的风险。
这是至关重要的两个原因。首先,前瞻性研究脑电图、心血管和成像生物标志物需要大军团之后长时间除非高风险亚种群的目标。10,11基于心率变异性的风险评估工具,SUDEP-7库存,11未能概括甚至在人口水平。12预测的风险将有助于识别癫痫生物标记。
其次,大多数癫痫患者和家庭愿望癫痫的风险信息,即使概率很低。13指南建议通知所有个体的平均风险,但没有指定如何评估个性化的风险,使个人不了解他们的风险。个性化的预测工具可以提供保证,动机的变化,或反馈后的临床干预。
我们使用一个大型数据集癫痫8开发和验证一个个性化的预测工具优化临床使用只需要常规临床数据。
方法
标准协议的审批、登记和批准
伦理批准之前获得的原始研究。没有寻求额外的伦理批准之前的有关数据,消除识别信息统计分析。8
观察研究描述
我们重新分析1组和3病例对照(瑞典的英格兰和威尔士,苏格兰)研究8(表1)。癫痫诊断需要(1)癫痫史(> 1癫痫发作后5年内研究招生)和死亡(2)突然,(3)出乎意料,和(4)后仍然无法解释的调查工作,包括解剖。明确癫痫要求所有4标准和可能的癫痫需要前3个标准。
预测包含策略
我们协调源数据获得29常见的临床预测变量(额外的方法可以从森林女神doi.org/10.5061/dryad.cfxpnvx4c)。其中5 > 50%缺失的数据(成像异常、癫痫样的脑电图特点,精神疾病、痴呆、脑瘤),被排除在进一步分析。Levetiracetam从分析中删除,因为它是很少使用的数据集。长度的癫痫是癫痫发病年龄和年龄之间的差异在端点和不包括减少共线性。我们使用广义tonic-clonic癫痫(gtc)指吸收(以前称为主要吸收)以及焦双边tonic-clonic癫痫(以前称为二次吸收);焦癫痫是指剩余focal-onset发作。
所有二进制变量是由单一方面,1 =存在和0 =没有的特性。病因是一个赋值为1的4类和建模为4二进制变量。连续预测变量(年龄在癫痫发作和年龄在端点)被移除均值和标准除以SD创建一个类似规模的dummy-coded分类数据,14促进规范的先知先觉。吸收和焦发作频率是标准化的频率除以任意数量(10),再把它们规模类似的其他数据,同时保持一个有意义的值为零。
模型构建策略
所有的分析是通过使用RStudio v1.1447 (2016;RStudio、波士顿、马;rstudio.com/)和MATLAB v2018a (MathWorks公司,纳蒂克,MA)。我们使用贝叶斯多个逻辑回归来开发一个“完整”的癫痫模型风险。癫痫状态(一个二进制变量)作为因变量输入;剩下的临床变量作为预测输入。贝叶斯模型指定的可能性和先知先觉。
描述逻辑回归的可能性方程(1),y我= 1是主题的癫痫状态我N和X我是一个J维向量的预测问题我。建模为拦截
;
代表的回归系数j预测。我们指定一个单独的拦截
对于每一个中心(K中心)占其不同情况:控制比率。这是先验已知不同,我们没有通过进一步引入池的这些估计层次。回归系数的先验分布(方程2)和拦截(方程3)被选为正态分布的意思是0和1的SD。这些值被选择,因为之前预测建模透露,这导致了广泛但明智的先验假设95%的标准化日志调整后的优势比(ORs)隔−1.94 + 1.98。进行灵敏度分析(额外的结果;数据可以从森林女神)。为了量化改进预测能力在当前的实践中,我们还开发了2个比较器模型。一个拦截的“基线”模型(一个单独的拦截
每个中心)作为预测但是没有其他临床信息被用来表示当前临床指导,只有平均人口风险是传达给癫痫患者。“基线总会”模型的人口拦截并吸收频率也代表了当前的研究实践,依靠吸收频率作为癫痫的代理风险。由于预测涉及的数量和丢失的数据分析的复杂性,我们避免了在线性项交互建模。
后验估计
为这样一个模型可以计算贝叶斯后验分析棘手,因此后生成参数估计使用马尔可夫链蒙特卡罗(密度)的过程。我们使用RStan软件(R包版本2.18.2;mc-stan.org/),它实现了哈密顿与禁止掉头蒙特卡罗抽样。14,15使用默认的建议,我们从随机跑4链开始值。丢弃4000热身后样品(相似但不相同的“老化”在其他软件),后进一步估计来自4000个样本在所有连锁店(没有变薄)和评估链稳定和收敛标准使用的可视化跟踪情节和小红帽在软件度量。14
缺失的数据分析
结合数据跨异构的研究不可避免地导致缺失的数据。限制与完全可用预测分析来观察(一个完整个案方法)会导致偏见除了减少研究力量。16我们使用多个归责方法。假设missingness随机条件观察预测,每个变量与缺失的数据与自己的似然函数和预测建模。这一步的好处是,得到的回归系数估计是相对客观的,适当的不确定性传播到后。缺点是速度需要12种不同的可能性模型的同时拟合每一步的抽样程序和需要应用知识的潜在因果结构数据。连续缺失数据随后被乘法估算作为后抽样程序的一部分,但斯坦的缺点是无法从离散样本分布。17直言缺失的数据,因此,分析边缘化他们可能在模型拟合。进一步的数据可以从森林女神(额外的方法,可以在doi.org/10.5061/dryad.cfxpnvx4c)。
模型评价和内部/外部验证
我们的策略是产生一个最佳准确和精确校准的模型完全调整和无偏的参数估计。变量选择的步骤通常是用来减少临床预测模型的规模,然而,在设置有大量的候选预测,这个过程很容易overfit数据(即。偶然,有些变量选择或删除)。18鉴于这些担忧和希望减少旨在总数的模型比较,我们不追求预测选择之外剩下的22个变量。
整体的内部性能,基线,基线吸收模型评估和各自的日志损失率,19一个合适的评分规则基于残留误差,考虑整个预测分布。平均内部有识别力的性能也得到了评估与接受者操作特征曲线下面积(AUROC);校准基线的吸收和完整的模型评估校准情节(基线模型本身会可怜的校准)。内部效度之外,问题是,如何将推广到外部看不见的数据模型。特别是在场景模型使用数据从一个中心,一个风险是,模型预测将从其他乐观,用于个体中心(过度拟合)。模型的普遍性(外部验证)是最优评估评估模型的准确性完全外部数据集从不同的地理人口或时期,但这是重要的在我们的案例中,因为不同的中心有不同的病例数,匹配率,临床预测指标定义和程度的缺失的数据。因此,我们进行了两种类型的外部验证:近似leave-one-subject-out交叉验证和leave-one-center-out交叉验证,每个都有自己的长处和弱点。Leave-one-subject-out交叉验证估计的模型将执行新的个人来自异构人口已经代表(欧洲和北美)。在这个场景中,可以使用执行外部验证坚持反复交叉验证的数据分为训练和测试数据和模型性能估计总结了数据在许多。17这个过程是获得贝叶斯模型计算的设置(额外的方法可以从森林女神doi.org/10.5061/dryad.cfxpnvx4c通常使用)和信息标准作为替代方法比较预测模型的普遍性。贝叶斯分析交叉验证,然而,现在由于近似计算处理基于帕累托平滑重要性抽样技术。17这个近似可以认为是可靠的,只要帕累托尾参数(k)低于0.7。预计产生的外部验证指标的分析日志后密度(低更好)和分析信息标准(低更好)。最后的比较完整的有多好,基线,基线吸收模型推广到新个体进行配对差异各自的预期分析日志后密度(更糟糕的模型有负面价值相对于首选模型,引用值0),我们也评估旨在辨别力与近似leave-one-subject-out AUROC。
了解完整的预测模型推广到个人新来源的人群,我们执行leave-one-center-out交叉验证。在这里,每一个最小的3个数据集(美国、苏格兰、瑞典)举行了“完整”模型训练时剩余的数据。模型的辨别力当时伸出的数据中心测试分析AUROC。最大的中心(英格兰和威尔士)包括太多的癫痫病例(∼总数的54%)举行的培训过程,所以leave-one-center-out交叉验证只剩下3小数据集上执行。我们提出我们的结果按照三脚架标准。20.
临床实用程序
模型预测可以被解释为估计的潜在的随机癫痫风险对于一个给定的个人特点是给定的临床特征。为了证明这种风险预测的实用程序在临床实践中,我们应用模型与癫痫10个人被作者之一(最初)从她最近的诊所和选择来展示不同的临床风险预测的情况可能是有用的。这需要添加一个术语的拦截logit模型(基于采样频率的病例和控制),把预期观察病例对照风险预期人口风险21假设背景发生率1.2/1000人每年。这个假设也需要翻译没有单位的模型输出(预测从日志口服补液盐)与有意义的预测单元(每1000人年癫痫的风险)。模型评估发生最初的失明的事实,2个人经历过癫痫。
数据可用性
请求数据应该指向4的作者来源研究。7,22,- - - - - -,24我们建议这个模型被限制在临床科研人员等待外部验证在不同来源的人口。我们的目标是使用模型作为一个免费的在线风险的基础计算工具仅供临床研究人员使用。在此期间,那些感兴趣应该联系第一作者,他们将提供分析支持。
结果
人口统计资料
我们包括1273例(287癫痫,986控制)。基线人口统计学数据和采样频率的29个预测变量是可以从森林女神(表e1,doi.org/10.5061/dryad.cfxpnvx4c)。有重大缺失的数据(数据可以从森林女神(表e1),doi.org/10.5061/dryad.cfxpnvx4c),所以只有22向前预测< 50%缺失的数据被分析。数据集的主要来源的异质性变化反映在病因(过多的症状情况下在瑞典(77.6%)和过度的病源不明的情况下在苏格兰[75.4%],可能代表重叠分类标准在这两个类别),焦点发作频率(高在美国每月[4]比英格兰和威尔士(0.2 /月)和瑞典(1.2 /月),在苏格兰失踪),和癫痫手术(更频繁的在美国(23.7%)相对于其他数据集(1.4%在英格兰和威尔士,0.4%在瑞典),反映世界各地的变量可用性治疗)。
预测性能
内部验证
充分获得所有连锁聚合与小红帽= 1为所有相关的模型参数和没有差异。14内部验证模型提供了性能指标表2和表e4 (doi.org/10.5061/dryad.cfxpnvx4c),图1。完整的模型有更好的预测性能比基线或基线吸收模型,有最低的日志损失率。总体性能指标相结合的评价模型校准和辨别力,但这些方面也单独评估。
(一)校准情节,观察病例分为基于模型的预测风险十分位数。对于每个后续等分,癫痫的观测率对模型预测的数据集是策划(黑色圆=平均,红色线80%可信度区间,黑线95%可信度区间)。模型显示很好的calibration-perfect校准就是沿着虚线对齐值都相等。(B)预测风险概率分布函数对癫痫病例(红色)和控制(黑色)。完美的歧视是说明了完整的分离2分布沿着x轴;机会歧视将会说明了完整的对齐。歧视是合理的,但仍有一定程度的重叠,表明剩余风险程度的不确定性估计在0.2 - -0.4。这是符合接受者操作特征曲线(C),显示这个数据集的特异性和敏感性预测癫痫基于模型输出(红线=意味着,红冲= 80%可信度区间,黑色dash = 95%可信度区间)。内部接受者操作特征曲线下面积是0.72(95%可信区间0.71 - -0.74),这是合理的。
模型校准评估模型预测与观测数据的程度在不同的层次。例拆分成十分位数排名后风险评估模型。观察到癫痫猝死率为每一等分是绘制模型预测图1一个和证实了极好的完整的校准模型,而可怜的校准基线的吸收模型(数据可以从森林女神;图e1,doi.org/10.5061/dryad.cfxpnvx4c)。标定基准模型本质上是贫穷的每一等分接收相同的预测无论观察癫痫猝死率。歧视的能力模型,单独观察癫痫控制情况下基于他们的预测风险。两种情况下的风险分布类型所示图1 b;的敏感性和特异性模型显示在所有阈值作为一个接受者操作特征曲线图1 c。的意思是内部(95%可信区间)AUROC完整模型(0.72[0.71—-0.74])比基线吸收(0.69[0.68—-0.71])和基线模型(0.57 [0.57—-0.57])(表2和表e4,doi.org/10.5061/dryad.cfxpnvx4c)。
外部验证
近似leave-one-subject-out交叉验证技术是可靠的,只有1273的观察与帕累托K> 0.7 (0.1%)。完整的模型推广到新个体比基线吸收或基线模型(配对差异分析日志后密度全vs基线gtc =−22.9, SEM±11.0;与基线= 35.9,SEM±12.5)。进一步的模型比较措施支持这个结论(表2和表e5,doi.org/10.5061/dryad.cfxpnvx4c)。权重模型预测的帕累托平滑重要性抽样权重还允许我们近似leave-one-subject-out AUROC,来衡量模型的辨别力概括。完整的模型概括比基线吸收模型或基线模型对新对象的AUROC (表2和表e5,doi.org/10.5061/dryad.cfxpnvx4c)。
我们执行leave-one-center-out交叉验证的完整模型小3的数据集(表e6,doi.org/10.5061/dryad.cfxpnvx4c)。当训练显著降低的数据量和广义样本人口,一个看不见的来源模型性能的AUROC引导置信区间(95%)更不确定,但平均合理的苏格兰(0.66[0.57—-0.74])和瑞典(0.61 [0.52—-0.69])。旨在模型AUROC引导(95%置信区间)美国穷人和高度不确定的平均(0.55[0.41—-0.69]),但这是困难的,因为它的解释也是最小的中心(包括只有20例癫痫)程度最高的数据不平衡(见讨论)。
推理
调整后的日志口服补液盐的安装提出了逻辑回归模型图2。例关系转置到他们的自然尺度图3为了简化临床解释。贝叶斯模型没有任意意义阈值,所以我们评估基于平均效应值关联的强度(或)和周围的不确定性。几个独立变量被强烈与癫痫有关;然而,观察性研究的观测特性限制因果解释(见讨论)。
值小于0与突然意外死亡的风险减少羊角风(癫痫)和值大于0与癫痫的风险增加相关,相对于平均人口样本(黑色圆=平均,红色线80%可信度区间,黑线95%可信度区间)。看到主要的文本解读,指出关联显示不是因果关系。广义tonic-clonic GTC =。
个性化的预测
超过模型的力量区别癫痫病例控制在一个观察期,我们还可以查看模型的输出作为估计的潜在的随机癫痫的风险。这风险个体的差异可能是临床上有用的,即使不交叉歧视性门槛。我们说明了模型的潜在效用的临床和研究个人预测绝对10癫痫患者癫痫风险(图4)。结果数据显示量化的风险和不确定性可能受益的临床研究目标分层个人基于风险和潜在的临床癫痫患者和医疗小组之间的讨论。
展示这个工具研究和临床方面的潜在应用,10个人的个性化风险预测与癫痫。这些人并不知道模型,从最近的实践,被选为他们的癫痫的临床利益风险。风险是在y轴作为总结措施的概率分布(黑色圆=意味着,红色线80%可信度区间,黑线95%可信度区间)为个人j在x轴和命令中指定的意思是预测风险。注意y轴是一个对数尺度与风险量化比例易于解释。虚线水平线代表的平均人口风险1-2/1,000白细胞数量。预测概率,直观,帮助重点讨论有时限的设置,如临床咨询。个人之间的重要预后因素各不相同,因此需要考虑多种因素。例如,在那些风险最高的5,焦点发作频率在F尤为重要,H,和J,广义tonic-clonic癫痫(gtc)频率在G和依从性差的。两个风险最高的人(标识为一个红色的圆他们的名字旁边)死于癫痫。ASM =抗癫痫药物。* levetiracetam不是建模的影响。
讨论
我们的模型更准确地预测个体风险比仅基于吸收频率的模型或一个基于群体平均即使推广到看不见的科目。它能够区分癫痫控制是合理的(leave-one-subject-out AUROC 0.71 [0.68 - -0.74])。当一个版本的模型与有限的训练数据的访问是广义人口,一个看不见的来源的样本模型的区别的能力合理的苏格兰和瑞典和美国不太确定,可能是由于它的体积小,包容孩子,或不同的数据定义和收集过程(表e6,doi.org/10.5061/dryad.cfxpnvx4c)。使用模型的nonrepresented人群应该小心。AUROC和预测风险分布(图1中,B和C)表明,预测是不确定的。这表明,风险是一个随机潜伏的过程和分类在二进制terms-high-risk vs low-risk-may被误导;风险应该传达一个概率分布。我们的模型可以根据他们的风险分层个人(图4),这可能是有用的研究,有可能提高临床决策和沟通。我们的模型也发现了一个小说focal-onset协会与癫痫发作频率风险和确认之前报道对吸收频率增加,在癫痫发作年轻,雄性。我们还发现证据表明,拉莫三嗪、苯二氮卓类和卡马西平与癫痫发病风险增加,尽管这些药物的潜在因果角色仍未确定,我们当前的分析。异构数据集结合不同情况确定程序、起源和风险时期不可避免地需要仔细协调临床变量,它是可能的,占缺失的数据不是(额外的方法可以从森林女神doi.org/10.5061/dryad.cfxpnvx4c)。一些临床预测因素是比其他人更一贯定义在单个数据集。8抗癫痫药物和癫痫发作类型是最一致的定义。家族史是获得初级护理记录在英格兰和威尔士与苏格兰二级护理记录。饮酒、呼吸和心脏并发症,学习困难有强烈重叠但截然不同的定义在每个数据集。依从性的定义根据血清抗癫痫药物在美国样本和初级护理评估的临床记录在英格兰和威尔士的样本。这些差异可能会增加各自的口服补液盐和随后的不确定性影响数据集之间的普遍性。尽管如此,坚持,家族史,并发症仍分别有影响力的在我们的模型中。这些数据集之间的矛盾的综合效应被leave-one-center-out分析还测试了。最不确定的性能被认为当美国样本外预测结果,这一发现可能部分解释的不同定义中使用我们的数据集作为比别人。
丢失的数据乘以估算减少偏见和适当减少后续预测的信心比单一的归责或一个完整的案例的方法。16潜在的偏见由于异质性病例对照匹配率和人口的抽样分布中心21占了显式地为每个中心包括一个拦截。最后,任何贝叶斯方法可能被批评,因为需要模型参数的先验分布。我们使用弱信息先验与专业知识相一致,25改变之前并没有大幅改变模型的性能。
我们开发和评估模型来优化其预测能力但潜在的推论结果需要进一步讨论,尤其是当他们可能被视为挑战先前的报道。8,9我们强调两大原则。首先,由于介入试验的事项,风险因素通常是从观测数据,因此预后而不是因果因素来自临床试验数据。1,3,8,26,27第二,口服补液盐是很难比较不同变量集合有效地调整时调整为一组扩展的变量与先前的研究相比。鉴于这样的警告,我们证实,那些年轻的癫痫发病年龄有更高的风险,随着年龄的增长,风险增加缓慢。男人有癫痫的风险略高,正如前面提出的,8但是学习障碍没有独立增加风险。这一发现很重要,因为与较早的研究不同的是,7我们调整效果的多种因素,包括病因,药物治疗依从性,发作频率。因此,那些有学习障碍有类似的其他个体风险和所有其他因素不变的情况下,可能同样受益于风险因素修改。癫痫的历史- - - - - -亲戚增加癫痫的风险程度和存在于∼4%的数据集。这可能部分解释为突变引起癫痫脑病和难治性癫痫等SCN1A和SCN8A但其他更普遍(如DEPDC5)和可能nonmendelian机制也可能做出贡献。1
我们发现,震动的频率增加(包括吸收和焦双边tonic-clonic发作)和nongeneralizing focal-onset癫痫授予癫痫的风险更高。这是一个离开先前的报道,估计从吸收频率更高的平均相对风险8,9并没有发现显著关联focal-onset癫痫发作和癫痫。7,9这些差异可以解释变异的数据本身或使用的策略进行分析。之间没有明显的关系被发现focal-onset癫痫发作和癫痫分析不仅在最近和均匀确定数据9但也在我们的一个来源的研究。7事实上,分层相对风险从抽搐是高于先前的分析与我们相同的源数据相结合,8表明不同的数据只能部分解释相互矛盾的结果。另一个原因是独特的,我们的分析旨在提供个性化的预测,而另一些旨在推断人口平均效应。8,9随后,我们包括尽可能多的数据特性在同一个模型中临床因素(22),而不是寻求解释多个较小的模型的输出。8,9我们也删除任意发作频率每年被切断(例如,< 3)提高个性化和interstudy可比性,但认为癫痫发作频率和结果之间的单调关系。我们试图确定预后而不是因果的风险因素和在这些约束痉挛频率并不是唯一的癫痫预测风险,10事实上如果作为唯一的预测因子(表现不佳表2)。小说发现nongeneralizing focal-onset发作频率是预后与其他主要冲突分析9,需要进一步的调查,对临床实践具有潜在广泛的影响。是否进一步聚焦癫痫可以直接导致癫痫或可能突破tonic-clonic发作风险的代理个人以前免费抽搐也仍不确定。最后,一些预测不定地临床定义和解释必须小心。即便如此,药物依从性与风险降低有关,而酒精或药物滥用与风险增加有关。这突显出2修改的行为,如果因果,可以降低风险的解决。
独立的各种治疗和癫痫的风险之间的联系还需要进一步的解释。而我们的研究结果支持先前的研究已经发现癫痫手术的保护作用,28几乎所有的抗癫痫药物都是独立与癫痫的风险略有增加。这需要谨慎的解释,因为调整口服补液盐代表添加的影响抗癫痫药物对癫痫规划——形势没有任何好处,可以代表风险增加由于药物或由于选择的风险增加治疗抵抗。不含氨己烯酸,很少使用,可能属于第二类,拉莫三嗪、苯二氮卓类,和卡马西平与癫痫发病风险增加其他药物相比,但需要介入试验来确定是否这个协会是因果。同样,尽管心脏和呼吸系统疾病与风险降低有关,这种观察可能混淆,竞争风险(这些人更有可能死于non-epilepsy-related原因)或患病率的增加同时共存的病理结果与癫痫相关的错误分类(例如,40%左前降枝冠状动脉阻塞)。5
不管推论结果和不确定性,我们的模型的预测能力仍然有效。其潜在能力安抚或激励个人通过预测当前的风险(图4)将集中讨论预防,而不是停留在一个抽象的人口估计的死亡。改善抗癫痫药物治疗依从性和睡眠卫生,消除多余的酒精,用人策略来减少癫痫发作在特定情况下(如吸收不良的药物由于呕吐或腹泻),以及避免seizure-provoking在那些易受感染的因素(例如,减充血剂,环境刺激如闪光)可能会强调在那些温和的风险。那些风险最高可能会考虑使用监测(例如,断断续续的观察,癫痫检测设备报警看护人),尤其是在夜间抽搐。生活方式的修改和监控策略通常建议在降低癫痫风险但仍未经证实的部分原因是大型介入研究的后勤挑战。我们的工具可以帮助识别高危人群,从而减少了个人的数量需要建立一个治疗效果。
我们开发和验证一个个性化的癫痫预测模型,依靠在临床咨询信息。这将是发展成为一个网络风险预测计算器用于临床研究。这种预测仍不确定,但潜在的实用程序在临床和研究环境。未来预期获得大型纵向研究需要改进模型,并建立其准确性nonrepresented人群。除此之外,粒状了解癫痫的病理生理的因素可能对机械模型做了贡献,可能有更高的精度。
研究资金
作者报告没有针对性的资金。
信息披露
这项工作是在UCLH /伦敦大学学院综合生物医学研究中心,收到的资金比例从英国卫生部NIHR研究中心资助计划。a Jha已收到支持大脑的担保人,UCLH /伦敦大学学院综合生物医学研究中心,并从赛诺菲/ Genzyme和诺华谢礼。c .哦,d . Hesdorffer报告没有披露。b . william Diehl已收到的支持国家神经疾病和中风研究所U01-NS090407(自主和成像生物标志物的癫痫)。美国德沃尔报告没有披露。J.W.桑德接收马文博士Weil癫痫研究基金的支持下,英国癫痫协会和Christelijke Vereniging voor de Verpleging van河畔Lijders Epilepsie,荷兰。UCB他收到卫材的个人费用,,所以Arvelle Zogenix,卫材赠款,UCB瓦制药公司,在提交工作。o . Devinsky已经收到资金从寻找治疗癫痫和癫痫发作和Empatica股本。t .汤臣卡罗林斯卡医学院的一名雇员,副主编癫痫疾病他的机构已经收到了演讲者的谢礼,卫材,赛诺菲,阳光制药公司,联合银行,和山德士,和接收研究斯德哥尔摩郡议会的支持,欧盟,治愈,葛兰素史克,UCB,卫材和比亚尔。T.S.查克·m·布罗迪报告没有披露。去半岛投注体育官网Neurology.org/N为充分披露。
附录的作者
脚注
去半岛投注体育官网Neurology.org/N为充分披露。资金信息和披露认为作者相关的,如果有的话,年底提供这篇文章。
这篇文章加工费由综合癫痫中心,纽约大学Langone医学中心,美国和左Epilepsie Instellingen荷兰,荷兰Heemstede。
CME过程:NPub.org/cmelist
- 收到了2020年9月23日。
- 接受的最终形式2021年2月8日。
- 版权©2021年作者(年代)。发表的Wolters Kluwer健康,公司代表美国神经病学学会。半岛投注体育官网
这是一个开放的分布式根据文章Creative Commons Attribution-NonCommercial-NoDerivatives许可证4.0 (CC BY-NC-ND),它允许下载和共享工作提供适当的引用。不能改变的工作以任何方式或使用未经许可的商业杂志。
