The role of lung ultrasonography in COVID‐19 disease management
Notice bibliographique
Résumé
Coronavirus disease 2019 (COVID-19) has created unprecedented disruption for global healthcare systems. Offices and emergency departments (EDs) were the first responders to the pandemic, followed by medical wards and intensive care unit (ICUs). Worldwide efforts sprouted to coordinate proper response by increasing surge capacity and optimizing diagnosis and containment. Within the complex scenario of the outbreak, the medical community shared scientific research and implemented best-guess imaging strategies in order to save time and additional staff exposures. Early publications showed agreement between chest computed tomography (CT) and lung sonography: widespread ground-glass findings resembling acute respiratory distress syndrome (ARDS) on CT of COVID-19 patients matched lung ultrasound signs and patterns. Well-established accuracy of bedside sonography for lung conditions and its advantages (such as no ionizing radiation; low-cost, real-time bedside imaging; and easier disinfection steps) prompted a wider adoption of lung ultrasound for daily assessment and monitoring of COVID-19 patients. Growing literature, webinars, online materials, and international networks are promoting lung ultrasound for the same purpose. We propose 11 lung ultrasound roles for different medical settings during the pandemic, starting from the out-of-hospital setting, where lung ultrasound has ergonomic and infection control advantages. Then we describe how medical wards and ICUs can safely integrate lung ultrasound into COVID-19 care pathways. Finally, we present outpatient use of lung ultrasound to aid follow-up of positive case contacts and of those discharged from the hospital.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».