Distribution of regional lung aeration and perfusion during conventional and noisy pressure support ventilation in experimental lung injury
Notice bibliographique
Résumé
In acute lung injury (ALI), pressure support ventilation (PSV) may improve oxygenation compared with pressure-controlled ventilation (PCV), and benefit from random variation of pressure support (noisy PSV). We investigated the effects of PCV, PSV, and noisy PSV on gas exchange as well as the distribution of lung aeration and perfusion in 12 pigs with ALI induced by saline lung lavage in supine position. After injury, animals were mechanically ventilated with PCV, PSV, and noisy PSV for 1 h/mode in random sequence. The driving pressure was set to a mean tidal volume of 6 ml/kg and positive end-expiratory pressure to 8 cmH₂O in all modes. Functional variables were measured, and the distribution of lung aeration was determined by static and dynamic computed tomography (CT), whereas the distribution of pulmonary blood flow (PBF) was determined by intravenously administered fluorescent microspheres. PSV and noisy PSV improved oxygenation and reduced venous admixture compared with PCV. Mechanical ventilation with PSV and noisy PSV did not decrease nonaerated areas but led to a redistribution of PBF from dorsal to ventral lung regions and reduced tidal reaeration and hyperinflation compared with PCV. Noisy PSV further improved oxygenation and redistributed PBF from caudal to cranial lung regions compared with conventional PSV. We conclude that assisted ventilation with PSV and noisy PSV improves oxygenation compared with PCV through redistribution of PBF from dependent to nondependent zones without lung recruitment. Random variation of pressure support further redistributes PBF and improves oxygenation compared with conventional PSV.
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 ».