Automatic<i>versus</i>manual oxygen administration in the emergency department
Notice bibliographique
Résumé
Oxygen is commonly administered in hospitals, with poor adherence to treatment recommendations. We conducted a multicentre randomised controlled study in patients admitted to the emergency department requiring O 2 ≥3 L·min −1 . Patients were randomised to automated closed-loop or manual O 2 titration during 3 h. Patients were stratified according to arterial carbon dioxide tension ( P aCO 2 ) (hypoxaemic P aCO 2 ≤45 mmHg; or hypercapnic P aCO 2 >45–≤55 mmHg) and study centre. Arterial oxygen saturation measured by pulse oximetry ( S pO 2 ) goals were 92–96% for hypoxaemic, or 88–92% for hypercapnic patients. Primary outcome was % time within S pO 2 target. Secondary endpoints were hypoxaemia and hyperoxia prevalence, O 2 weaning, O 2 duration and hospital length of stay. 187 patients were randomised (93 automated, 94 manual) and baseline characteristics were similar between the groups. Time within the S pO 2 target was higher under automated titration (81±21% versus 51±30%, p<0.001). Time with hypoxaemia (3±9% versus 5±12%, p=0.04) and hyperoxia under O 2 (4±9% versus 22±30%, p<0.001) were lower with automated titration. O 2 could be weaned at the end of the study in 14.1% versus 4.3% patients in the automated and manual titration group, respectively (p<0.001). O 2 duration during the hospital stay was significantly reduced (5.6±5.4 versus 7.1±6.3 days, p=0.002). Automated O 2 titration in the emergency department improved oxygenation parameters and adherence to guidelines, with potential clinical benefits.
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 | 0,003 | 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 | 0,001 |
| 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 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 ».