MétaCan
Menu
Retour à la cohorte
Enregistrement W3091447862 · doi:10.1016/j.clnu.2020.09.031

The clinical use of longitudinal bio-electrical impedance vector analysis in assessing stabilization of children with severe acute malnutrition

2020· article· en· W3091447862 sur OpenAlexaff
Céline Bourdon, Rosalie H. Bartels, Emmanuel Chimwezi, Jacintha Kool, Katherine Chidzalo, Lyric Perot, Daniëlla Brals, Robert Bandsma, Michaël Boele van Hensbroek, Wieger Voskuijl

Notice bibliographique

RevueClinical Nutrition · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueBody Composition Measurement Techniques
Établissements canadiensHospital for Sick Children
Organismes subventionnairesThrasher Research Fund
Mots-clésMedicineWastingAnthropometryMalnutritionSevere Acute MalnutritionObservational studyBioelectrical impedance analysisLean body massPediatricsProspective cohort studyEdemaBody mass indexInternal medicineBody weight

Résumé

récupéré en direct d'OpenAlex

BACKGROUND & AIMS: Severe Acute Malnutrition (SAM) in children is determined using anthropometry. However, bio-electrical impedance (BI) analysis could improve the estimation of altered body composition linked to edema and/or loss of lean body mass in children with SAM. We aimed to assess: 1) the changes in BI parameters during clinical stabilization and 2) whether BI parameters add prognostic value for clinical outcome beyond the use of anthropometry. METHODS: This prospective observational study enrolled children, aged 6-60 months, that were admitted at Queen Elizabeth Central Hospital in Blantyre, Malawi, for complicated SAM (i.e., having either severe wasting or edematous SAM with a complicating illness). Height, weight, mid-upper arm circumference (MUAC), and BI were measured on admission and after clinical stabilization. BI measures were derived from height-adjusted indices of resistance (R/H), reactance (Xc/H), and phase angle (PA) and considered to reflect body fluids and soft tissue in BI vector analysis (BIVA). RESULTS: We studied 183 children with SAM (55% edematous; age 23.0 ± 12.0 months; 54% male) and 42 community participants (age 20.1 ± 12.3 months; male 62%). Compared to community participants, the BIVA of children with edematous SAM were short with low PA and positioned low on the hydration axis which reflects severe fluid retention. In contrast, children with severe wasting had elongated vectors with a PA that was higher than children with edematous SAM but lower than community participants. Their BIVA position fell within the top right quadrant linked to leanness and dehydration. BIVA from severely wasted and edematous SAM patients differed between groups and from community children both at admission and after stabilization (p < 0.001). Vector position shifted during treatment only in children with edematous SAM (p < 0.001) and showed a upward translation suggestive of fluid loss. While PA was lower in children with SAM, PA did not contribute more than anthropometry alone towards explaining mortality, length of stay, or time-to-discharge or time-to-mortality. The variability and heterogeneity in BI measures was high and their overall added predictive value for prognosis of individual children was low. CONCLUSIONS: BIVA did not add prognostic value over using anthropometry alone to predict clinical outcome. Several implementation challenges need to be optimized. Thus, in low-resource settings, the routine use of BI in the management of pediatric malnutrition is questionable without improved implementation.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,003
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
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 Opus0,111
Tête enseignante GPT0,403
Écart entre enseignants0,292 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueClinical NutritionMême sujetBody Composition Measurement TechniquesTravaux en français237 207