Prehospital cooling to improve successful targeted temperature management after cardiac arrest: A randomized controlled trial
Notice bibliographique
Résumé
RATIONALE: Targeted temperature management (TTM) improves survival with good neurological outcome after out-of-hospital cardiac arrest (OHCA), but is delivered inconsistently and often with delay. OBJECTIVE: To determine if prehospital cooling by paramedics leads to higher rates of 'successful TTM', defined as achieving a target temperature of 32-34°C within 6h of hospital arrival. METHODS: Pragmatic RCT comparing prehospital cooling (surface ice packs, cold saline infusion, wristband reminders) initiated 5min after return of spontaneous circulation (ROSC) versus usual resuscitation and transport. The primary outcome was rate of 'successful TTM'; secondary outcomes were rates of applying TTM in hospital, survival with good neurological outcome, pulmonary edema in emergency department, and re-arrest during transport. RESULTS: 585 patients were randomized to receive prehospital cooling (n=279) or control (n=306). Prehospital cooling did not increase rates of 'successful TTM' (30% vs 25%; RR, 1.17; 95% confidence interval [CI] 0.91-1.52; p=0.22), but increased rates of applying TTM in hospital (68% vs 56%; RR, 1.21; 95%CI 1.07-1.37; p=0.003). Survival with good neurological outcome (29% vs 26%; RR, 1.13, 95%CI 0.87-1.47; p=0.37) was similar. Prehospital cooling was not associated with re-arrest during transport (7.5% vs 8.2%; RR, 0.94; 95%CI 0.54-1.63; p=0.83) but was associated with decreased incidence of pulmonary edema in emergency department (12% vs 18%; RR, 0.66; 95%CI 0.44-0.99; p=0.04). CONCLUSIONS: Prehospital cooling initiated 5min after ROSC did not increase rates of achieving a target temperature of 32-34°C within 6h of hospital arrival but was safe and increased application of TTM in hospital.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».