Bispectral Index Can Reliably Detect Deep Sedation in Mechanically Ventilated Patients: A Prospective Multicenter Validation Study
Notice bibliographique
Résumé
BACKGROUND: Excessively deep sedation is prevalent in mechanically ventilated patients and often considered suboptimal. We hypothesized that the bispectral index (BIS), a quantified electroencephalogram instrument, would accurately detect deep levels of sedation. METHODS: We prospectively enrolled 90 critically ill mechanically ventilated patients who were receiving sedation. The BIS was monitored for 24 hours and compared with the Richmond Agitation Sedation Scale (RASS) evaluated every 4 hours. Deep sedation was defined as a RASS of -3 to -5. Threshold values of baseline BIS (the lowest value before RASS assessment) and stimulated BIS (the highest value after standardized assessment) for detecting deep sedation were determined in a training set (45 patients, 262 RASS assessments). Diagnostic accuracy was then analyzed in a validation set (45 patients, 264 RASS assessments). RESULTS: Deep sedation was only prescribed in 6 (6.7%) patients, but 76 patients (84.4%) had at least 1 episode of deep sedation. Thresholds for detecting deep sedation of 50 for baseline and 80 for stimulated BIS were identified, with respective areas under the receiver-operating characteristic curve of 0.771 (95% confidence interval, 0.714-0.828) and 0.805 (0.752-0.857). The sensitivity and specificity of baseline BIS were 94.0% and 66.5% and of stimulated BIS were 91.0% and 66.5%. When baseline and stimulated BIS were combined, the sensitivity, specificity, and clinical utility index were 85.0% (76.1%-91.1%), 85.9% (79.5%-90.7%), and 66.9% (57.8%-76.0%), respectively. CONCLUSIONS: Combining baseline and stimulated BIS may help detect deep sedation in mechanically ventilated patients.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».