Management of Pediatric Severe Traumatic Brain Injury: 2019 Consensus and Guidelines-Based Algorithm for First and Second Tier Therapies
Notice bibliographique
Résumé
OBJECTIVES: To produce a treatment algorithm for the ICU management of infants, children, and adolescents with severe traumatic brain injury. DATA SOURCES: Studies included in the 2019 Guidelines for the Management of Pediatric Severe Traumatic Brain Injury (Glasgow Coma Scale score ≤ 8), consensus when evidence was insufficient to formulate a fully evidence-based approach, and selected protocols from included studies. DATA SYNTHESIS: Baseline care germane to all pediatric patients with severe traumatic brain injury along with two tiers of therapy were formulated. An approach to emergent management of the crisis scenario of cerebral herniation was also included. The first tier of therapy focuses on three therapeutic targets, namely preventing and/or treating intracranial hypertension, optimizing cerebral perfusion pressure, and optimizing partial pressure of brain tissue oxygen (when monitored). The second tier of therapy focuses on decompressive craniectomy surgery, barbiturate infusion, late application of hypothermia, induced hyperventilation, and hyperosmolar therapies. CONCLUSIONS: This article provides an algorithm of clinical practice for the bedside practitioner based on the available evidence, treatment protocols described in the articles included in the 2019 guidelines, and consensus that reflects a logical approach to mitigate intracranial hypertension, optimize cerebral perfusion, and improve outcomes in the setting of pediatric severe traumatic brain injury.
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 | 0,038 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,009 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».