The use of near infrared interactance in hemodialysis
Notice bibliographique
Résumé
Forty‐one consecutive admissions to a hemodialysis center were evaluated. Demographic information including age, gender, race, and diagnosis was collected. Patients, >18 years old, with end stage renal disease and on hemodialysis for at least one year were included. Those with edema or known ascites were excluded. Weight was measured before and after hemodialysis (HD) using a standard scale and by considering the amount of fluid loss by the hemodialysis machine. Body composition including total body water (TBW) was calculated before and after HD using near infrared interactance (NIR). All measurements were completed during half hour before and after HD. Forty‐one patients included: men (n = 26), women (n = 15); median age 58 (range 28–88 years). Twenty‐eight were African American and the rest Caucasians. The amount of intravascular fluid taken after HD (assessed by weight reduction) ranged 0–5 L with median 2.2 L. NIR analysis for the same patients at the same time showed different total body water measurements in 91% of cases (P > 0.05). Moreover, NIR analysis showed increase in total body water in 24% of patients even though the hemodialysis machine showed a loss of total body water; median of 1.3 (range: 0–3L). The error in measuring body composition with NIR was both large and varied (random and not systematic error). We conclude that NIR analysis cannot be considered as a reliable method to evaluate body composition, especially total body water, amongst patients with end stage renal disease undergoing hemodialysis.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».