P.19 Intradialytic Changes in Cerebral Blood Flow and Regional Changes in Arterial Stiffness
Notice bibliographique
Résumé
Abstract Purpose/Background/Objective Cognitive decline is highly prevalent amongst end-stage renal disease (ESRD) patients and is accelerated upon initiation of hemodialysis (HD) [1]. ESRD increases aortic stiffness and blood flow pulsatility, which may damage small vessels of target organs like the brain [2]. In this pilot study, we aimed to evaluate the acute effect of HD on cerebral blood flow and its relation to arterial stiffness. Methods Before, every hour during and after HD (T0–T4), we measured cerebral flow velocity (FV) using transcranial Doppler, blood pressure (BP) via digital finger cuff (Nexfin), cardiac activity using ECG and aortic pulse wave velocity (PWV) with Mobile-O-Graph. FV pulsatility index (PI) and transit times between ECG peak and the foot of both FV and BP waveforms (cerebral dT; digital dT) were computed using in house MATLAB-based analysis. Changes during HD were evaluated with Generalized Estimating Equation models adjusting for multiple comparisons in SPSS 26.0. Results In eight participants aged 63 ± 17 y. old (4 diabetics, 3 women), peak FV decreased from baseline at T1 and T2 (−11.2 cm/s, p = 0.007; −12.2 cm/s, p < 0.001), PI decreased at T1 (0.81 to 0.77, p = 0.005), whilst minimum FV, mean BP and partial pressure of CO 2 remained unchanged. Digital dT increased at T3 (0.19 to 0.22, p < 0.001) and cerebral dT increased throughout HD (T1-T4, p < 0.005), whereas aortic PWV did not change. Conclusions During hemodialysis, cerebral and digital transit times increased, suggesting decreased stiffness of small peripheral vessels, without significant changes in aortic stiffness. Reduced stiffness of cerebral arteries may partially explain decreased cerebral flow pulsatility.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».