MétaCan
Menu
Retour à la cohorte
Enregistrement W2346905136 · doi:10.1111/apa.13463

Macrosomia and haemodynamic instability may represent risk factors for subcutaneous fat necrosis in asphyxiated newborns treated with hypothermia

2016· article· en· W2346905136 sur OpenAlexafffund
Catherine Courteau, Karla N. Samman, Nadine Ali, P Riley, Pia Wintermark

Notice bibliographique

RevueActa Paediatrica · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueDermatological and COVID-19 studies
Établissements canadiensMcGill UniversityUniversité de MontréalHôpital Maisonneuve-RosemontMcGill University Health Centre
Organismes subventionnairesInstitute of Human Development, Child and Youth HealthHospital for Sick ChildrenMcGill University
Mots-clésMedicineHypothermiaAsphyxiaPerinatal asphyxiaHemodynamicsShock (circulatory)Risk factorInternal medicineObstetrics

Résumé

récupéré en direct d'OpenAlex

AIM: To identify additional risk factors other than asphyxia and hypothermia in newborns developing subcutaneous fat necrosis (SCFN). METHODS: We conducted a prospective cohort study of all term asphyxiated newborns treated with hypothermia from 2008 to 2015. The presence and location of SCFN were recorded at the time of discharge or at follow-up visits. To identify the risk factors for developing SCFN, we compared the perinatal characteristics of those newborns who developed SCFN with those who did not. RESULTS: The newborns developing SCFN had significantly higher birthweights compared with those newborns who did not develop SCFN. Among the newborns with a birthweight equal or superior to the 90th percentile, those who developed SCFN had a significantly higher use of inotropic support and higher maximum troponin levels during their initial hospitalisation. CONCLUSION: A higher birthweight represented an independent risk factor for developing SCFN in asphyxiated newborns treated with hypothermia. When macrosomia is present, other risk factors related to haemodynamic instability during the initial hospitalisation may also increase the risk of developing SCFN.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
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)0,0010,000

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 Opus0,017
Tête enseignante GPT0,252
Écart entre enseignants0,235 · 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 source (Gemma direct ou Codex distillé), 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

Citations8
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueActa PaediatricaMême sujetDermatological and COVID-19 studiesTravaux en français237 207