Pharmacologic Interventions to Prevent Delirium in Trauma Patients: A Systematic Review and Network Meta-Analysis of Randomized Controlled Trials
Notice bibliographique
Résumé
To compare the relative efficacy of pharmacologic interventions in the prevention of delirium in ICU trauma patients. DATA SOURCES: We searched Medical Literature Analysis and Retrieval System Online, Embase, and Cochrane Registry of Clinical Trials from database inception until June 7, 2022. We included randomized controlled trials comparing pharmacologic interventions in critically ill trauma patients. STUDY SELECTION: Two reviewers independently screened studies for eligibility, extracted data, and assessed risk of bias. DATA EXTRACTION: Preferred Reporting Items for Systematic Reviews and Meta-analyses guidelines for network analysis were followed. Random-effects models were fit using a Bayesian approach to network meta-analysis. Between-group comparisons were estimated using hazard ratios (HRs) for dichotomous outcomes and mean differences for continuous outcomes, each with 95% credible intervals. Treatment rankings were estimated for each outcome in the form of surface under the cumulative ranking curve values. DATA SYNTHESIS: = 382 patients) were included. Compared with combined propofol-dexmedetomidine, there may be no difference in delirium prevalence with dexmedetomidine (HR 1.44, 95% CI 0.39-6.94), propofol (HR 2.38, 95% CI 0.68-11.36), nor haloperidol (HR 3.38, 95% CI 0.65-21.79); compared with dexmedetomidine alone, there may be no effect with propofol (HR 1.66, 95% CI 0.79-3.69) nor haloperidol (HR 2.30, 95% CI 0.88-6.61). CONCLUSIONS: The results of this network meta-analysis suggest that there is no difference found between pharmacologic interventions on delirium occurrence, length of ICU stay, length of hospital stay, or mortality, in trauma ICU patients.
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 | 0,007 | 0,397 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,052 | 0,021 |
| Bibliométrie | 0,002 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».