Latent Class Analysis of Neurodevelopmental Deficit After Exposure to Anesthesia in Early Childhood
Notice bibliographique
Résumé
INTRODUCTION: Although some studies have reported an association between early exposure to anesthesia and surgery and long-term neurodevelopmental deficit, the clinical phenotype of children exposed to anesthesia is still unknown. METHODS: Data were obtained from the Western Australian Pregnancy Cohort Study (Raine) with neuropsychological tests at age 10 years measuring language, cognition, motor function, and behavior. Latent class analysis of the tests was used to divide the cohort into mutually exclusive subclasses of neurodevelopmental deficit. Multivariable polytomous logistic regression was used to evaluate the association between exposure to surgery and anesthesia and each latent class, adjusting for demographic and medical covariates. RESULTS: In our cohort of 1444 children, latent class analysis identified 4 subclasses: (1) Normal: few deficits (n=1135, 78.6%); (2) Language and Cognitive deficits: primarily language, cognitive, and motor deficits (n=96, 6.6%); (3) Behavioral deficits: primarily behavioral deficits, (n=151, 10.5%); and (4) Severe deficits: deficits in all neuropsychological domains (n=62, 4.3%). Language and cognitive deficit group children were more likely to have exposure before age 3 (adjusted odds ratio [aOR], 2.11; 95% confidence interval [CI], 1.17-3.81), whereas a difference in exposure was not found between Behavioral or Severe deficit children (aOR, 1.00; 95% CI, 0.58-1.73, and aOR, 0.85; 95% CI, 0.34-2.15, respectively) and Normal children. CONCLUSIONS: Our results suggest that in evaluating children exposed to surgery and anesthesia at an early age, the phenotype of interest may be children with deficits primarily in language and cognition, and not children with broad neurodevelopmental delay or primarily behavioral deficits.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 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 ».