MétaCan
Menu
Retour à la cohorte
Enregistrement W2913290315 · doi:10.1115/1.4042686

Semi-Adaptive Closed-Loop Control for Infusion of Medications With Transport Delay in Clinical Effects

2019· article· en· W2913290315 sur OpenAlexaff
Xin Jin, Chang‐Sei Kim, Steven T. Shipley, Guy A. Dumont, Jin‐Oh Hahn

Notice bibliographique

RevueJournal of Computational and Nonlinear Dynamics · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueAnesthesia and Sedative Agents
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesOffice of Naval Research
Mots-clésControl theory (sociology)SetpointAdaptive controlController (irrigation)Parameterized complexityConstant (computer programming)Computer scienceControl (management)

Résumé

récupéré en direct d'OpenAlex

Abstract This paper presents a semi-adaptive closed-loop control approach to autonomous infusion of medications exhibiting significant transport delay in clinical effects. The basic idea of the approach is to enable stable adaptive control of medication infusion by (1) incorporating transport delay explicitly into control design by way of a Padé approximation while (2) facilitating linear parameterization of control design model by desensitization of nonlinearly parameterized cooperativity constant associated with pharmacodynamics (PD). A novel dynamic dose–response model for control design is presented, in which the cooperativity constant exerts zero influence on the model output in the steady-state. Then, an adaptive pole placement control (APPC) technique was employed to fulfill adaptive control design in the presence of nonminimum phase dynamics associated with the Padé approximation of transport delay. The controller was evaluated in silico using a case study of regulating a cardiovascular variable with a sedative under a wide range of transport delay and pharmacological profiles. The results suggest that adaptation of transport delay and pharmacological characteristics may be beneficial in achieving consistent and robust regulation of medication-elicited clinical effects.

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 candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,390
Score d'incertitude au seuil0,211

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 Opus0,010
Tête enseignante GPT0,294
Écart entre enseignants0,284 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Computational and Nonlinear DynamicsMême sujetAnesthesia and Sedative AgentsTravaux en français237 207