Machines that help machines to help patients: optimising antimicrobial dosing in patients receiving extracorporeal membrane oxygenation and renal replacement therapy using dosing software
Notice bibliographique
Résumé
Intensive care unit (ICU) patients with end-organ failure will require specialised machines or extracorporeal therapies to support the failing organs that would otherwise lead to death. ICU patients with severe acute kidney injury may require renal replacement therapy (RRT) to remove fluid and wastes from the body, and patients with severe cardiorespiratory failure will require extracorporeal membrane oxygenation (ECMO) to maintain adequate oxygen delivery whilst the underlying pathology is evaluated and managed. The presence of ECMO and RRT machines can further augment the existing pharmacokinetic (PK) alterations during critical illness. Significant changes in the apparent volume of distribution (V d ) and drug clearance (CL) for many important drugs have been reported during ECMO and RRT. Conventional antimicrobial dosing regimens rarely consider the impact of these changes and consequently, are unlikely to achieve effective antimicrobial exposures in critically ill patients receiving ECMO and/or RRT. Therefore, an in-depth understanding on potential PK changes during ECMO and/or RRT is required to inform antimicrobial dosing strategies in patients receiving ECMO and/or RRT. In this narrative review, we aim to discuss the potential impact of ECMO and RRT on the PK of antimicrobials and antimicrobial dosing requirements whilst receiving these extracorporeal therapies. The potential benefits of therapeutic drug monitoring (TDM) and dosing software to facilitate antimicrobial therapy for critically ill patients receiving ECMO and/or RRT are also reviewed and highlighted.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 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 ».