Non-Invasive Techniques for Multimodal Monitoring in Traumatic Brain Injury: Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Monitoring brain oxygenation and intracranial pressure non-invasively and continuously is of paramount importance in traumatic brain injury (TBI). The primary motivation of this study was to identify and provide robust evidence of the most effective techniques for the non-invasive multimodal monitoring for traumatic brain injury. Two reviewers independently searched PubMed, Embase, Scopus, the Cochrane Library, and the Web of Science between January 15, 2010, and January 22, 2020. Cohort studies assessing correlation or accuracy of non-invasive techniques for intracranial pressure (ICP) and/or brain oxygenation monitoring in TBI patients were included. The Newcastle–Ottawa Scale was used to assess the methodological quality of the studies. PROSPERO registration ID is CRD42020164739. Eight out of the 12 studies selected focused on the non-invasive measurement of ICP. Near-Infrared spectroscopy was the main technology for brain oxygenation, whereas ultrasound-based techniques were also used for ICP monitoring. PbtO 2 monitoring through near-infrared spectroscopy showed low correlation and limited accuracy in detecting hypoxic events. A meta-analysis on non-invasive ICP monitoring revealed a strong pooled correlation coefficient of 0.725 (95 % confidence interval [CI]: 0.450–0.874; I 2 91.31%) between transcranial Doppler and the gold standard ICP monitoring. The current meta-analysis has shown that the two most prominent and widely used technologies for non-invasive monitoring in TBI are near-infrared spectroscopy and transcranial Doppler. Both techniques could be considered for the future development of a single non-invasive and continuous multimodal monitoring device for TBI.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,016 | 0,007 |
| Bibliométrie | 0,001 | 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 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 ».