MétaCan
Menu
Retour à la cohorte
Enregistrement W2130919580 · doi:10.1186/s13054-014-0550-9

Automated patient-ventilator interaction analysis during neurally adjusted non-invasive ventilation and pressure support ventilation in chronic obstructive pulmonary disease

2014· article· en· W2130919580 sur OpenAlexafffund
Jonne Doorduin, Christer A. Sinderby, Jennifer Beck, Johannes G. van der Hoeven, Leo Heunks

Notice bibliographique

RevueCritical Care · 2014
Typearticle
Langueen
DomaineMedicine
ThématiqueRespiratory Support and Mechanisms
Établissements canadiensUniversity of TorontoSt. Michael's Hospital
Organismes subventionnairesUniversity of Toronto
Mots-clésMedicinePulmonary diseasePressure support ventilationNoninvasive ventilationVentilation (architecture)Intensive care medicineMechanical ventilationPositive pressure ventilationEmergency medicineAnesthesiaInternal medicineRespiratory failure

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Delivering synchronous assist during non-invasive ventilation (NIV) is challenging with flow- or pressure-controlled ventilators, especially in patients with chronic obstructive pulmonary disease (COPD). Neurally adjusted ventilatory assist (NAVA) uses diaphragm electrical activity (EAdi) to control the ventilator. We evaluated patient-ventilator interaction in patients with COPD during NIV with pressure support ventilation (PSV) and NAVA using a recently introduced automated analysis. METHODS: Twelve COPD patients underwent three 30-minute trials: 1) PSV with dedicated NIV ventilator (NIV-PSVVision), 2) PSV with intensive care unit (ICU) ventilator (NIV-PSVServo-I), and 3) with NIV-NAVA. EAdi, flow, and airway pressure were recorded. Patient-ventilator interaction was evaluated by comparing airway pressure and EAdi waveforms with automated computer algorithms. The NeuroSync index was calculated as the percentage of timing errors between airway pressure and EAdi. RESULTS: The NeuroSync index was higher (larger error) for NIV-PSVVision (24 (IQR 15 to 30) %) and NIV-PSVServo-I (21 (IQR 15 to 26) %) compared to NIV-NAVA (5 (IQR 4 to 7) %; P <0.001). Wasted efforts, trigger delays and cycling-off errors were less with NAVA (P <0.05 for all). The NeuroSync index and the number of wasted efforts were strongly correlated (r2 = 0.84), with a drastic increase in wasted efforts after timing errors reach 20%. CONCLUSIONS: In COPD patients, non-invasive NAVA improves patient-ventilator interaction compared to PSV, delivered either by a dedicated or ICU ventilator. The automated analysis of patient-ventilator interaction allowed for an objective detection of patient-ventilator interaction during NIV. In addition, we found that progressive mismatch between neural effort and pneumatic timing is associated with wasted efforts.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,130
Score d'incertitude au seuil0,764

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,286
Écart entre enseignants0,274 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations49
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCritical CareMême sujetRespiratory Support and MechanismsTravaux en français237 207