Early heart rate variability evaluation enables to predict ICU patients’ outcome
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Heart rate variability (HRV) is a mean to evaluate cardiac effects of autonomic nervous system activity, and a relation between HRV and outcome has been proposed in various types of patients. We attempted to evaluate the best determinants of such variation in survival prediction using a physiological data-warehousing program. Plethysmogram tracings (PPG) were recorded at 75 Hz from the standard monitoring system, for a 2 h period, during the 24 h following ICU admission. Physiological data recording was associated with metadata collection. HRV was derived from PPG in either the temporal and non-linear domains. 540 consecutive patients were recorded. A lower LF/HF, SD2/SD1 ratios and Shannon entropy values on admission were associated with a higher ICU mortality. SpO2/FiO2 ratio and HRV parameters (LF/HF and Shannon entropy) were independent correlated with mortality in the multivariate analysis. Machine-learning using neural network (kNN) enabled to determine a simple decision tree combining the three best determinants (SDNN, Shannon Entropy, SD2/SD1 ratio) of a composite outcome index. HRV measured on admission enables to predict outcome in the ICU or at Day-28, independently of the admission diagnosis, treatment and mechanical ventilation requirement.Trial registration: ClinicalTrials.gov identifier NCT02893462.
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.
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 | 0,020 | 0,002 |
| 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 | 0,001 | 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) | 0,004 | 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 découle