MétaCan
Menu
Retour à la cohorte
Enregistrement W2809727892 · doi:10.4187/respcare.06151

Stress Index Can Be Accurately and Reliably Assessed by Visually Inspecting Ventilator Waveforms

2018· article· en· W2809727892 sur OpenAlexaff
Xiu-Mei Sun, Guangqiang Chen, Kai Chen, Yumei Wang, Xuan He, Hua-Wei Huang, Xu-Ying Luo, Chunmei Wang, Zhonghua Shi, Ming Xu, Lü Chen, Eddy Fan, Zhou Jian-xin

Notice bibliographique

RevueRespiratory Care · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueRespiratory Support and Mechanisms
Établissements canadiensUniversity of TorontoSt. Michael's Hospital
Organismes subventionnairesnon disponible
Mots-clésMedicineWaveformCohen's kappaAirwayBiomedical engineeringVentilation (architecture)Sensitivity (control systems)Visual inspectionStatisticsMathematicsSurgeryComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Stress index provides a noninvasive approach to detect injurious ventilation patterns and to personalize ventilator settings. Obtaining the stress index (SI), however, requires quantitatively analyzing the shape of pressure-time curve with dedicated instruments or a specific ventilator, which may encumber its clinical implementation. We hypothesized that the SI could be qualitatively determined through a visual inspection of ventilator waveforms. METHODS: Thirty-six adult subjects undergoing volume controlled ventilation without spontaneous breathing were enrolled. For each subject, 2 trained clinicians visually inspected the pressure-time curve directly from the ventilator screen. They then qualitatively categorized the shape of pressure-time curve as linear, a downward concavity, or an upward concavity at the bedside. We simultaneously recorded airway pressure and flow signals using a dedicated instrument. A quantitative off-line analysis was performed to calculate the SI using specific research software. This quantitative analysis of the SI served as the reference method for classifying the shape of the pressure-time curve (ie, linear, a downward concavity, or an upward concavity). We compared the SI categorized by visual inspection with that by the reference. RESULTS: We obtained 200 SI assessments of pressure-time curves, among which 125 (63%) were linear, 55 (27%) were a downward concavity, and 20 (10%) were an upward concavity as determined by the reference method. The overall accuracy of visual inspection and weighted kappa statistic (95% CI) was 93% (88-96%) and 0.88 (0.82-0.94), respectively. The sensitivity and specificity to distinguish a downward concavity from a linear shape were 91% and 98%, respectively. The respective sensitivity and specificity to distinguish an upward concavity from a linear shape were 95% and 95%. CONCLUSIONS: Visual inspection of the pressure-time curve on the ventilator screen is a simple and reliable approach to assess SI at the bedside. This simplification may facilitate the implementation of SI in clinical practice to personalize mechanical ventilation. (ClinicalTrials.gov registration NCT03096106.).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,302
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,035
Tête enseignante GPT0,327
Écart entre enseignants0,293 · 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 tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
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

Citations24
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRespiratory CareMême sujetRespiratory Support and MechanismsTravaux en français237 207