P.118 Near infrared spectroscopy based indices of cerebrovascular reactivity cluster with intracranial pressure based indices in moderate to severe TBI patients
Notice bibliographique
Résumé
Background: Cerebrovascular reactivity has been identified as an important contributor to secondary injury following moderate to severe traumatic brain injury (TBI). “Gold-standard” intracranial pressure (ICP) based indies of cerebrovascular reactivity are limited by their invasive nature poor spatial resolution. Near infrared spectroscopy (NIRS) based indices of cerebrovascular reactivity are minimally invasive and have improved spatial resolution. In this study, classical machine-learning algorithms are leveraged to better characterize the relationship between these indices. Methods: High-resolution physiologic data was collected in a cohort of adult moderate to severe TBI patients. From this data both ICP and NIRS based indices of cerebrovascular reactivity were derived. Utilizing Agglomerative Hierarchical Clustering (AHC) and Principal Component Analysis, the relationship between these indices in higher dimensional physiologic space was examined. Results: A total of 83 patients with 314,395 minutes of unique and complete physiologic data was obtained. Through AHC and PCA there was higher order clustering between NIRS and ICP based indices, separate from other physiologic parameters. Conclusions: NIRS and ICP based indices of cerebrovascular reactivity relate to one another in higher dimensional physiologic space. NIRS based indices of cerebrovascular reactivity may be a viable alternative to ICP based indices.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».