Heart Rate Variability and Mild Traumatic Brain Injury: Case Study and Review of Literature
Notice bibliographique
Résumé
Objective Use biofeedback measures to manage a patient9s long term recovery from concussion. Background Sports-related mild traumatic brain injury (MTBI) is estimated to affect 3.8 million people in the United States. Identifying quantitative measures of recovery has become a point of interest in treatment. Heart Rate Variability (HRV), the average fluctuation in the interval between heartbeats, shows promise as a noninvasive biomarker. Design/Methods Case report following cardiovascular recovery of a 15 year old cross country runner 4 months post-injury. Average heart rate and maximum heart rate per training session were collected from the patient9s smart device. Results A 15-year-old Caucasian male cross-country runner hit the back of his head during a soccer game suffering an MTBI. The patient rested from the activity for 1 week then returned to training. Two months after the injury the patient complained of persistent shortness of breath, fatigue, and increased heart rate while running. According to the patient, his average BPM while running prior to the injury was in the 160s. The patient9s smart device post-concussion reports a spike into the 180s. 3 months post-concussion the patient was instructed to keep his heart rate below 170 during training. In the following month, the patient9s condition improved gradually with a return to baseline activity. Conclusions HRV is a promising point of investigation for the management of post-concussive symptoms. Further research is necessary to elucidate the long term effects of concussion on heart rate variability.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».