Doppler Renal Resistance Index for the Prediction of Response to Passive Leg‐Raising Following Cardiac Surgery
Notice bibliographique
Résumé
PURPOSE: Doppler-based renal resistance index (RI) can be measured at the bedside of critically ill patients. This study was designed to assess if the RI predicted an increase in cardiac output (CO) following passive leg-raising (PLR) in patients admitted to the intensive care unit after cardiac surgery. METHODS: During this single center prospective study, Doppler assessment of RI and measurements of CO using the thermodilution method were performed, after surgery, in the intensive care unit before and after PLR. A positive response to PLR was defined as a ≥10% increase in CO. RESULTS: We included 30 patients. The mean RI was higher before (0.694 ±0.069) than after PLR (0.679 ± 0.069) (P = .02) with a median change of -0.012 (IQR: -0.042;0.000). Following PLR, 9 patients (30%) had a >10% increase in CO. In patients with a positive PLR response, the decrease in the RI during PLR was more pronounced than in patients who did not respond to PLR (PLR ± 0.042 (IQR: -0.051; -0.040) vs PLR ± -0.008 (IQR: -0.032; 0.015) (P = .004). There was a significant negative association between RI change in response to PLR and a 10% increase in CO following PLR (OR: 1.63 (CI:1.07-2.47) (P = .02) per -0.01 change). CONCLUSION: An increase in CO following PLR was associated with a significant decrease in RI. Variations of RI in response to PLR should be further studied as a tool to predict fluid responsiveness. However, their clinical utility could be limited by the small magnitude of the variations.
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 | 0,007 | 0,014 |
| 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 ».