Reproducibility of dynamic cerebral autoregulation parameters: a multi-centre, multi-method study
Notice bibliographique
Résumé
OBJECTIVE: Different methods to calculate dynamic cerebral autoregulation (dCA) parameters are available. However, most of these methods demonstrate poor reproducibility that limit their reliability for clinical use. Inter-centre differences in study protocols, modelling approaches and default parameter settings have all led to a lack of standardisation and comparability between studies. We evaluated reproducibility of dCA parameters by assessing systematic errors in surrogate data resulting from different modelling techniques. APPROACH: Fourteen centres analysed 22 datasets consisting of two repeated physiological blood pressure measurements with surrogate cerebral blood flow velocity signals, generated using Tiecks curves (autoregulation index, ARI 0-9) and added noise. For reproducibility, dCA methods were grouped in three broad categories: 1. Transfer function analysis (TFA)-like output; 2. ARI-like output; 3. Correlation coefficient-like output. For all methods, reproducibility was determined by one-way intraclass correlation coefficient analysis (ICC). MAIN RESULTS: For TFA-like methods the mean (SD; [range]) ICC gain was 0.71 (0.10; [0.49-0.86]) and 0.80 (0.17; [0.36-0.94]) for VLF and LF (p = 0.003) respectively. For phase, ICC values were 0.53 (0.21; [0.09-0.80]) for VLF, and 0.92 (0.13; [0.44-1.00]) for LF (p < 0.001). Finally, ICC for ARI-like methods was equal to 0.84 (0.19; [0.41-0.94]), and for correlation-like methods, ICC was 0.21 (0.21; [0.056-0.35]). SIGNIFICANCE: When applied to realistic surrogate data, free from the additional exogenous influences of physiological variability on cerebral blood flow, most methods of dCA modelling showed ICC values considerably higher than what has been reported for physiological data. This finding suggests that the poor reproducibility reported by previous studies may be mainly due to the inherent physiological variability of cerebral blood flow regulatory mechanisms rather than related to (stationary) random noise and the signal analysis methods.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,123 | 0,141 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».