Continuous Time-Domain Cerebrovascular Reactivity Metrics and Discriminate Capacity for the Upper and Lower Limits of Autoregulation: A Scoping Review of the Animal Literature
Notice bibliographique
Résumé
Over a wide range of systemic arterial pressures, cerebral blood flow (CBF) is regulated fairly constantly by the cerebral vessels in a process termed cerebral autoregulation (CA), which is depicted by the Lassen autoregulatory curve. After traumatic brain injury (TBI), CA can get impaired and these impairments manifest in changes of the Lassen autoregulatory curve. Continuous surrogate metrics of pressure-based CA, termed cerebrovascular reactivity (CVR) metrics, evaluate the relationship between slow vasogenic fluctuations in a driving pressure for cerebral blood flow, and the most commonly studied and utilized measures are based in the time domain and have been increasingly applied in bedside TBI care and have sparked the investigation of individualized cerebral perfusion pressure targets. However, not all CVR metrics have been validated as true measures of autoregulation in the pre-clinical setting. We reviewed all available pre-clinical animal literature that assessed the association between continuous time-domain metrics of CVR and some aspect of the Lassen autoregulatory curve. All 15 articles found associated the evaluated continuous metrics to the lower limit of autoregulation curve whereas none looked at the upper limit. Most of the evaluated metrics showed the ability to discriminate the lower limit of autoregulation with various methods of perturbation. Further work is required to evaluate the utility of such surrogate measures against the upper limit of autoregulation, while also providing validation to the existing literature supporting specific indices and their ability to discriminate the lower limit.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| 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 | 0,001 |
| 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 ».