Lung Ultrasound to Monitor Disease Severity and Aid Prognostication in COVID-19 Pneumonia: A Retrospective Analysis of Serial Lung Ultrasound Assessments
Notice bibliographique
Résumé
Background: The aim of this retrospective analysis was to assess if serial lung ultrasound assessments in patients with COVID-19 pneumonia, including a novel simplified scoring system, correlate with PaO2:FiO2 ratio, as a marker of disease severity, and patient outcomes. Methods: Patients treated for COVID-19 pneumonia in a tertiary intensive care unit who had a lung ultrasound assessment were included. Standardised assessments of anterior and lateral lung regions were prospectively recorded. A validated lung ultrasound score-of-aeration and a simplified scoring system based on the number of disease-free lung regions were correlated with: PaO2:FiO2 ratio, successful weaning from mechanical ventilation, and status (alive or dead) at discharge. MedCalc© statistical software was used for statistical analysis. Results: 28 patients (109 assessments) were included. Correlation was seen between score-of-aeration and PaO2:FiO2 ratio (r = -0.61, p<0.0001) and between the simplified scoring system and PaO2:FiO2 ratio (r = 0.52 p<0.0001). Achieving a score-of-aeration of ≤9/24 or ≥2 disease-free regions was associated with successful weaning from mechanical ventilation and survival to ICU discharge (accuracy of 94% and 97% respectively). Conclusion: Retrospective analysis from this small cohort of patients demonstrates that scores-of-aeration and a simplified scoring system based on the number of disease-free antero-lateral regions from serial LUS assessments correlate with PaO2:FiO2 ratio as a marker of disease severity in patients with COVID-19 pneumonia. In addition, lung ultrasound may help identify patients who will have favourable outcomes.
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 | 0,010 |
| 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 | 0,000 | 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 ».