Gastric Ultrasound for the Regional Anesthesiologist and Pain Specialist
Notice bibliographique
Résumé
This article in our series on point-of-care ultrasound (US) for the regional anesthesiologist and pain management specialist describes the emerging role of gastric ultrasonography. Although gastric US is a relatively new point-of-care US application in the perioperative setting, its relevance for the regional anesthesiologist and pain specialist is significant as our clinical practice often involves providing deep sedation without a secured airway. Given that pulmonary aspiration is a well-known cause of perioperative morbidity and mortality, the ability to evaluate for NPO (nil per os) status and risk stratify patients scheduled for anesthesia is a powerful skill set. Gastric US can provide valuable insight into the nature and volume of gastric content before performing a block with sedation or inducing anesthesia for an urgent or emergent procedure where NPO status is unknown. Patients with comorbidities that delay gastric emptying, such as diabetic gastroparesis, neuromuscular disorders, morbid obesity, and advanced hepatic or renal disease, may potentially benefit from additional assessment via gastric US before an elective procedure. Although gastric US should not replace strict adherence to current fasting guidelines or be used routinely in situations when clinical risk is clearly high or low, it can be a useful tool to guide clinical decision making when there is uncertainty about gastric contents.In this review, we will cover the relevant scanning technique and the desired views for gastric US. We provide a methodology for interpretation of findings and for guiding medical management for adult patients. We also summarize the current literature on specific patient populations including obstetrics, pediatrics, and severely obese subjects.
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 | 0,012 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».