Analysis of pediatric absence epilepsy electroencephalograms using a mining-based association rule approach: A cross-sectional study based on realistic data.

چکیده اصلی

Association rule mining (ARM) is an interpretable data mining method that can identify co-occurrence patterns among predefined clinical features. This study applied ARM to clinically labeled EEG data from children with absence epilepsy to identify association rules linking abnormal EEG discharge morphology, scalp distribution, and absence seizure duration. Key association rules included polyspike-and-wave discharge → spike-and-wave discharge (support = 0.517, confidence = 1.000, lift = 1.034), spikes → spike-and-wave discharge (support = 0.510, confidence = 0.975, lift = 1.012), mesial temporal involvement → central involvement (support = 0.601, confidence = 0.968, lift = 1.528), and frontal pole involvement → frontal involvement (support = 0.629, confidence = 0.741, lift = 1.536). Frontal involvement combined with the 10-20-seconds seizure-duration category also showed high co-occurrence with frontal pole involvement ({F, 15.0 seconds} → {Fp}: support = 0.289, confidence = 1.000, lift = 1.561). These findings suggest that ARM can provide a structured and clinically readable summary of EEG co-occurrence patterns in pediatric absence epilepsy. However, the study was limited by its relatively small sample size, single-center design, expert manual labeling, binarized EEG representation, and lack of independent external validation. Therefore, the findings should be interpreted as exploratory and hypothesis-generating rather than externally validated clinical rules. Future multicenter studies with standardized EEG labeling, additional clinical variables, comparison with alternative analytical approaches, and independent validation datasets are needed to confirm the reproducibility and clinical applicability of these association rules.

ترجمه فارسی چکیده

روش‌های داده‌کاوی (Data Mining) مانند استخراج قوانین همبستگی (ARM) قابلیت شناسایی الگوهای هم‌رخداد میان ویژگی‌های بالینی از پیش‌تعیین‌شده را دارند. این مطالعه ARM را بر روی داده‌های الکتروانسفالوگرافی (EEG) بالینیِ کودکان مبتلا به صرعِ غیاب به کار برد تا قوانین همبستگی‌ای که بین شکل‌مندی تخلیه‌های غیرطبیعی EEG، توزیع پوست‌سر و مدت صرعِ غیاب ایجاد می‌کنند، شناسایی کند. برخی از قوانین کلیدی شامل: تخلیه‌های چندپالسی-موجی → تخلیه‌های پالسی-موجی (حمایت = 0.517، اطمینان = 1.000، لفت = 1.034)، پالس‌ها → تخلیه‌های پالسی-موجی (حمایت = 0.510، اطمینان = 0.975، لفت = 1.012)، درگیری تالاموس میانی → درگیری مرکزی (حمایت = 0.601، اطمینان = 0.968، لفت = 1.528)، و درگیری قطبی پیشانی → درگیری پیشانی (حمایت = 0.629، اطمینان = 0.741، لفت = 1.536) بودند. درگیری پیشانی همراه با دسته‌بندی مدت صرع ۱۰ تا ۲۰ ثانیه نیز هم‌رخداد بالایی با درگیری قطبی پیشانی نشان داد ({F, 15.0 seconds} → {Fp}: حمایت = 0.289، اطمینان = ۱.۰۰۰، لفت = ۱.۵۶۱). این یافته‌ها نشان می‌دهند که ARM می‌تواند خلاصه‌ای ساختاریافته و قابل خواندن بالینی از الگوهای هم‌رخداد EEG در صرعِ غیابِ کودکان ارائه دهد. با این حال، این مطالعه با اندازه نمونه نسبتاً کوچک، طراحی تک‌مرکزی، برچسب‌گذاری دستی متخصص، نمایش باینری EEG و فقدان اعتبارسنجی خارجی مستقل محدودیت داشت. بنابراین، یافته‌ها باید به عنوان اکتشافی و فرضیه‌ساز تفسیر شوند، نه به عنوان قوانین بالینیِ اعتبارسنجی‌شده خارجی. مطالعات چندمرکزی آینده با برچسب‌گذاری استاندارد EEG، متغیرهای بالینی اضافی، مقایسه با رویکردهای تحلیلی جایگزین و مجموعه داده‌های اعتبارسنجی مستقل برای تایید تکرارپذیری و کاربرد بالینی این قوانین همبستگی مورد نیاز است.

متن کامل اصلی