Risk factors for ventilator-induced-lung injury develop three to five times faster after a single episode of lung injury
Notice bibliographique
Résumé
Introduction: Mechanical ventilator breaths provided to deeply sedated patients have an abnormal volume distribution, encouraging alveolar collapse in dependent regions and promoting alveolar overdistention in non-dependent regions. Collapse and overdistention both start with the first breath and worsen over time, driving ventilator-induced lung injury (VILI). This is exacerbated when the lung is already injured or has increased heterogeneity. Our study investigated the impact of a single episode of lung injury on lung mechanics and the risk factors for ventilator-induced injury, compared with non-injured lungs. Methods: O, with respiratory rate and FiO2 set to maintain normal blood gas values. Animals in one group were ventilated for 50 h (50-Hour MV group, n=10). Animals in the second group had lung injury induced using oleic acid and were ventilated for 12 h post-injury (LI MV group, n=6). Both groups were compared with a never-ventilated control group (NV, n=6). Lung mechanics and injury were measured using electrical impedance tomography, esophageal pressure monitoring and tissue histology. Results: End-expiratory lung-volume loss was greater in the 50-Hour MV group (P<0.05). Plateau pressure, driving pressure and lung injury score were higher in the LI MV group, (P<0.05). Conclusion: Risk factors for VILI developed three- to five-times faster in the group with injured lungs, demonstrating that a single lung-injury episode substantially increased the risk of VILI, compared with normal lungs, despite using a lung-protective mechanical ventilation protocol.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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; 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 ».