Introduction of Continuous Video EEG Monitoring into 2 Different NICU Models by Training Neonatal Nurses
Notice bibliographique
Résumé
BACKGROUND: Continuous video electroencephalographic (EEG) (cvEEG) monitoring is emerging as the standard of care for diagnosis and management of neonatal seizures. However, cvEEG is labor-intensive and the need to initiate and interpret studies on a 24-hour basis is a major limitation. PURPOSE: This study aims at establishing consistency in monitoring of newborns admitted to 2 different neonatal intensive care units (NICUs) managed by the same neurocritical care team. METHODS: Neonatal nurses were trained to apply scalp electrodes, troubleshoot technical issues, and identify amplitude-integrated EEG abnormalities. Guidelines, checklists, and visual training modules were developed. A central network system allowed remote access to the cvEEGs by the epileptologist for timely interpretation and feedback. A cohort of 100 infants with moderate to severe hypoxic-ischemic encephalopathy before and after the training program was compared. RESULTS: During the study period, 192 cvEEGs were obtained. The time to initiate brain monitoring decreased by 31.5 hours posttraining; this, in turn, led to an increase in electrographic seizure detection (20% before vs 34% after), decrease in seizure clinical misdiagnosis (65% before and 36% after), and reduction in antiseizure medication burden. IMPLICATIONS FOR PRACTICE: Training experienced NICU nurses to set up, start, and monitor cvEEGs can decrease the time to initiate cvEEGs, which may lead to better seizure diagnosis and management. IMPLICATIONS FOR RESEARCH: Further understanding of practice bundles for best supporting infants at risk and being treated for seizures needs to be evaluated for integration into practice.Video Abstract Available at https://journals.lww.com/advancesinneonatalcare/Pages/videogallery.aspx.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».