Clinical adaptation of a pharmacokinetic model of Propofol plasma concentrations in children
Notice bibliographique
Résumé
BACKGROUND: A previously published pharmacokinetic simulation suggested a simple manual infusion regimen to achieve propofol plasma concentrations of 3 microg.ml(-1). This study investigated if a simple variation in propofol infusion rates is able to achieve distinct propofol plasma concentrations and whether these are close to the propofol plasma concentrations predicted by the Kataria model. METHODS: With Research Ethics Board approval and written parental consent, a total of 17 healthy children requiring general anaesthesia were enrolled. Following inhalational induction of anaesthesia, a propofol bolus of 5 mg.kg(-1) was given and anaesthesia maintained using an adaptation of the McFarlan continuous propofol infusion regimen to achieve three distinct depths of propofol anaesthesia. Weight and propofol infusion data were used to calculate simulated propofol concentrations using the Kataria dataset and the TIVA simulation program. The performance of the infusion regimen was assessed by calculating the median performance error, median absolute performance error, wobble, and divergence. RESULTS: Measured propofol concentrations were (mean +/- sd) 7.15 +/- 1.4, 4.3 +/- 0.85, and 2.85 +/- 0.53 microg.ml(-1) against simulation values of 6.6, 4.1, and 2.8 microg.ml(-1), respectively, at 30, 50, and 70 min using the Kataria dataset. These differences were not significant. Formal assessment of the infusion regimen's performance was acceptable. CONCLUSION: The manual propofol infusion regimen achieved three distinct depths of propofol anaesthesia. The manual infusion regimen produced higher plasma propofol concentrations than predicted during the early part of the infusion period but was more accurate for later time points.
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) | 0,000 | 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 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 ».