Scheduled sampling of cardiovascular parameters: how often should one collect data?
Notice bibliographique
Résumé
Long‐term measurement of variables such as heart rate (HR), blood pressure (BP) and sympathetic nerve activity (SNA) via telemetry in laboratory animals has become indispensable in cardiovascular physiology. Due to the significant amount of data recorded and battery life limitations many researchers use acquisition software to intermittently collect data over short time periods at scheduled time points. The question is how much data does one need to collect to accurately reflect the underlying average value? Three separate days (0000–2400) of HR, BP and integrated renal SNA data were used from each of 6 rabbits. Each day's data (collected as 2s averages) were resampled according to 60 sampling protocols to investigate both the quantity of data collected and the number of sampling periods, e.g. 4 hours sampling per day could be two 2 hour or twenty–four 10 minute periods. The error in estimating the actual mean was calculated for each sampling protocol by comparing each day's estimated mean with that calculated using the complete data set for that day. The results show that the error in estimating the daily mean of SNA using a given protocol is approximately double that of BP and HR and good estimations (<2% error) can be achieved by scheduled sampling, particularly if short sampling periods are spread throughout the day. Supported by the Health Research Council of New Zealand and University of Auckland Research Committee.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».