A Novel Model to Predict Cutaneous Finger Blood Flow via Finger and Rectal Temperatures
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: To generate a model that predicts fingertip blood flow (BF(f) ) and to cross-validate it in another group of subjects. METHODS: We used fingertip temperature (T(f)), forearm temperature minus T(f) (T(For-f)), rectal temperature (T(re)), and their changes across time ((lag) T) to estimate BF(f). Ten participants (six male, four female) were randomly divided into "model" and "validation" groups. We employed a passive hot-cold water immersion protocol during which each participant's core temperature increased and decreased by 0.5°C above/below baseline during hot/cold conditions, respectively. A hierarchical multiple linear regression analysis was introduced to generate models using temperature indicators and (lag) T (independent variables) obtained from the model group to predict BF(f) (dependent variable). RESULTS: Mean BF(f) (109.5 ± 158.2 PU) and predicted BF(f) (P-BF(f)) (111.4 ± 136.7 PU) in the model group calculated using the strongest (R(2) = 0.766, p < 0.001) prediction model [P-BF(f) =T(f) × 19.930 + (lag4) T(f) × 74.766 + (lag4) T(re) × 124.255 - 447.474] were similar (p = 0.6) and correlated (r = 0.880, p < 0.001). Autoregressive integrated moving average time-series analyses demonstrated a significant association between P-BF(f) and BF(f) (R(2) = 0.381; Ljung-Box statistic = 8.097; p < 0.001) in the validation group. CONCLUSIONS: We provide a model that predicts BF(f) via two practical temperature indicators that can be implemented in both clinical and field settings.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle