Clinical Utility of Measuring Inspiratory Neural Drive During Cardiopulmonary Exercise Testing (CPET)
Notice bibliographique
Résumé
Cardiopulmonary exercise testing (CPET) has traditionally included ventilatory and metabolic measurements alongside electrocardiographic characterization; however, research increasingly acknowledges the utility of also measuring inspiratory neural drive (IND) through its surrogate measure of diaphragmatic electromyography (EMGdi). While true IND also encompasses the activation of non-diaphragmatic respiratory muscles, the current review focuses on diaphragmatic measurements, providing information about additional inspiratory muscle groups for context where appropriate. Evaluation of IND provides mechanistic insight into the origins of dyspnea and exercise limitation across pathologies; yields valuable information reflecting the integration of diverse mechanical, chemical, locomotor, and metabolic afferent signals; and can help assess the efficacy of therapeutic interventions. Further, IND measurement during the physiologic stress of exercise is uniquely poised to reveal the underpinnings of physiologic limitations masked during resting and unloaded breathing, with important information provided not only at peak exercise, but throughout exercise protocols. As our understanding of IND presentation across varying conditions continues to grow and methods for its measurement become more accessible, the translation of these principles into clinical settings is a logical next step in facilitating appropriate and nuanced management tailored to each individual's unique physiology. This review provides an overview of the current state of understanding of IND measurement during CPET: its origins, known patterns of behavior and links with dyspnea in health and major respiratory diseases, and the possibility of expanding this approach to applications beyond exercise.
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 | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».