Notice bibliographique
Résumé
Neurologic damage after cardiac surgery remains an important cause of postoperative morbidity. In addition to a wide variety of procedural risks, patient-specific factors such as the presence of extracranial or intracranial atherosclerotic disease, either alone or together, have a fundamental impact on the risk of brain injury developing after cardiovascular surgery. A variety of neurophysiologic monitoring techniques have been used during cardiovascular surgery in hopes of averting neurologic injury. In this issue of Seminars, the strengths and weaknesses of each are discussed by a group of highly experienced clinical investigators. The ultrasound techniques of epiaortic scanning and continuous transcranial Doppler insonation of large intracranial arteries can alter perfusion management and surgical habits to markedly decrease the delivery of atherosclerotic, lipoidal, and gaseous microemboli to the brain and other vital organs. Cerebral hypoperfusion from unrecognized cerebral venous obstruction, inadequate mean arterial pressure, or hypocapnic cerebral alkalosis can be identified by transcranial near-infrared spectroscopy, electroencephalogram, and sensory evoked potentials. Compromise of spinal cord perfusion during the repair of thoracoabdominal aneurysms may be identified and corrected with the guidance provided by transcranial electric motor-evoked potentials. Quantitative electroencephalogram and auditory evoked potential indices also appear beneficial in producing objective measures of the hypnotic component of anesthesia. These neuromonitoring methods, particularly when used in concert, can improve overall patient outcome and reduce hospital length of stay.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,003 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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 ».