MétaCan
Menu
Retour à la cohorte
Enregistrement W3025917393 · doi:10.1007/s10877-020-00527-6

Evaluation of the relationship between slow-waves of intracranial pressure, mean arterial pressure and brain tissue oxygen in TBI: a CENTER-TBI exploratory analysis

2020· article· en· W3025917393 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueJournal of Clinical Monitoring and Computing · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueTraumatic Brain Injury and Neurovascular Disturbances
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesEuropean CommissionZNS - Hannelore Kohl StiftungIntegra LifeSciences
Mots-clésTraumatic brain injuryIntracranial pressureCerebral autoregulationMean arterial pressureMedicineCerebral perfusion pressureAutoregressive integrated moving averageAnesthesiaCardiologyCerebral blood flowInternal medicineBlood pressureStatisticsMathematicsAutoregulationHeart rateTime series

Résumé

récupéré en direct d'OpenAlex

Abstract Brain tissue oxygen (PbtO 2 ) monitoring in traumatic brain injury (TBI) has demonstrated strong associations with global outcome. Additionally, PbtO 2 signals have been used to derive indices thought to be associated with cerebrovascular reactivity in TBI. However, their true relationship to slow-wave vasogenic fluctuations associated with cerebral autoregulation remains unclear. The goal of this study was to investigate the relationship between slow-wave fluctuations of intracranial pressure (ICP), mean arterial pressure (MAP) and PbtO 2 over time. Using the Collaborative European NeuroTrauma Effectiveness Research in Traumatic Brain Injury (CENTER-TBI) high resolution ICU sub-study cohort, we evaluated those patients with recorded high-frequency digital intra-parenchymal ICP and PbtO 2 monitoring data of a minimum of 6 h in duration. Digital physiologic signals were processed for ICP, MAP, and PbtO 2 slow-waves using a moving average filter to decimate the high-frequency signal. The first 5 days of recording were analyzed. The relationship between ICP, MAP and PbtO 2 slow-waves over time were assessed using autoregressive integrative moving average (ARIMA) and vector autoregressive integrative moving average (VARIMA) modelling, as well as Granger causality testing. A total of 47 patients were included. The ARIMA structure of ICP and MAP were similar in time, where PbtO 2 displayed different optimal structure. VARIMA modelling and IRF plots confirmed the strong directional relationship between MAP and ICP, demonstrating an ICP response to MAP impulse. PbtO 2 slow-waves, however, failed to demonstrate a definite response to ICP and MAP slow-wave impulses. These results raise questions as to the utility of PbtO 2 in the derivation of cerebrovascular reactivity measures in TBI. There is a reproducible relationship between slow-wave fluctuations of ICP and MAP, as demonstrated across various time-series analytic techniques. PbtO 2 does not appear to reliably respond in time to slow-wave fluctuations in MAP, as demonstrated on various VARIMA models across all patients. These findings suggest that PbtO 2 should not be utilized in the derivation of cerebrovascular reactivity metrics in TBI, as it does not appear to be responsive to changes in MAP in the slow-waves. These findings corroborate previous results regarding PbtO 2 based cerebrovascular reactivity indices.

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 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)0,004
score de la tête « metaresearch » (Gemma)0,004
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 enseignants0,028
Score d'incertitude au seuil0,519

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
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 Opus0,162
Tête enseignante GPT0,405
Écart entre enseignants0,243 · 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