Anesthesia can be safely provided for children in a high‐field intraoperative magnetic resonance imaging environment
Notice bibliographique
Résumé
OBJECTIVES: To describe the challenges associated with providing safe anesthesia and perioperative care for children in a remote intraoperative magnetic resonance (iMR) operating room (OR) and to identify perioperative anesthesia outcomes, including adverse events related to the iMR environment. BACKGROUND: Increasingly, children undergo neurosurgical procedures in a high-field iMR OR. We describe a 10-year experience of providing anesthesia for children in this environment with a mobile 1.5-Tesla magnet. METHODS: A 10-year retrospective analysis was conducted of children who underwent neurosurgical procedures in a high-field mobile iMR OR. Primary outcomes related to perioperative adverse events and recovery profiles. Results were expressed as mean ± sd or median (range), as appropriate. RESULTS: One hundred and five procedures were performed on 98 children, aged 4 months-18 years, weighing 6-112 kg. The commonest two diagnostic categories were tumor (n = 52) and seizures (n = 27). Median anesthetic time was 439 (185-710) mins. There were no significant adverse events related to the iMR environment. The mean postanesthetic care unit admission temperature was 37 ± 0.9°C and the mean modified Aldrete Score at 30 mins was 7.2 ± 0.9. Two patients experienced seizures in the immediate postoperative period, readily controlled with propofol. There was one breach of MR safety protocol, and no adverse events related to patient transport. CONCLUSIONS: Anesthesia and perioperative care of children in an iMR setting were associated with a very low incidence of complications, despite the duration of the procedures involved. Such success depends upon a cohesive team-based approach.
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.
Comment cette classification a été obtenuedéplier
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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».