Preliminary Experience With Inertial Movement Technology to Characterize Endotracheal Intubation Kinematics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Endotracheal intubation (ETI) is an important emergency intervention. Only limited data describe ETI skill acquisition and often use bulky technology, not easily transitioned to the clinical setting. In this study, we used small, portable inertial detection technology to characterize intubation kinematic differences between experienced and novice intubators. METHODS: We performed a prospective study including novice (<10 prior clinical ETI) and experienced (>100 clinical ETI) emergency providers. We tracked upper extremity motion with roll, pitch, and yaw using inertial measurement units (IMU) placed on the bilateral hands and wrists of the intubator. Subject performed 6 simulated emergency intubations on a mannequin. Using machine learning algorithms, we determined the motions that best discriminated experienced and novice providers. RESULTS: We included data on 12 novice and 5 experienced providers. Four machine learning algorithms (artificial neural network, support vector machine, decision tree, and K-nearest neighbor search) were applied. Artificial neural network had the greatest accuracy (95% confidence interval) for discriminating between novice and experienced providers (91.17%, 90.8%-91.5%) and was the most parsimonious of the tested algorithms. Using artificial neural network, information from 5 movement features (right hand, roll amplitude; right hand, pitch amplitude; right hand, yaw standard deviation; left hand, yaw standard deviation; left hand, pitch frequency of peak amplitude) was able discriminated experienced from novice providers. CONCLUSIONS: Novice and experienced providers have different ETI movement patterns and can be distinguished by 5 specific movements. Inertial detection technology can be used to characterize the kinematics of emergency airway management.
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.
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 | 0,001 | 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 | 0,001 |
| 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 découle