MétaCan
Menu
Retour à la cohorte
Enregistrement W4386206044 · doi:10.1186/s40635-023-00541-3

Statistical properties of cerebral near infrared and intracranial pressure-based cerebrovascular reactivity metrics in moderate and severe neural injury: a machine learning and time-series analysis

2023· article· en· W4386206044 sur OpenAlexafffund
Alwyn Gomez, Amanjyot Singh Sainbhi, Kevin Y. Stein, Nuray Vakitbilir, Logan Froese, Frederick A. Zeiler

Notice bibliographique

RevueIntensive Care Medicine Experimental · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueTraumatic Brain Injury and Neurovascular Disturbances
Établissements canadiensUniversity of ManitobaManitoba Health
Organismes subventionnairesInstitute of Neurosciences, Mental Health and AddictionCanadian Institutes of Health ResearchDepartment of Surgery, University of ManitobaNational Institutes of HealthUniversity of ManitobaNatural Sciences and Engineering Research Council of CanadaManitoba Medical Service FoundationCanada Foundation for InnovationResearch ManitobaNational Institute of Neurological Disorders and StrokeHealth Sciences Centre Foundation
Mots-clésMedicineTraumatic brain injuryIntracranial pressureCardiologyCerebral perfusion pressurePulsatile flowInternal medicineBlood pressureCerebral blood flowMean arterial pressureAnesthesiaHeart rate

Résumé

récupéré en direct d'OpenAlex

Abstract Background Cerebrovascular reactivity has been identified as a key contributor to secondary injury following traumatic brain injury (TBI). Prevalent intracranial pressure (ICP) based indices of cerebrovascular reactivity are limited by their invasive nature and poor spatial resolution. Fortunately, interest has been building around near infrared spectroscopy (NIRS) based measures of cerebrovascular reactivity that utilize regional cerebral oxygen saturation (rSO2) as a surrogate for pulsatile cerebral blood volume (CBV). In this study, the relationship between ICP- and rSO2-based indices of cerebrovascular reactivity, in a cohort of critically ill TBI patients, is explored using classical machine learning clustering techniques and multivariate time-series analysis. Methods High-resolution physiologic data were collected in a cohort of adult moderate to severe TBI patients at a single quaternary care site. From this data both ICP- and rSO2-based indices of cerebrovascular reactivity were derived. Utilizing agglomerative hierarchical clustering and principal component analysis, the relationship between these indices in higher dimensional physiologic space was examined. Additionally, using vector autoregressive modeling, the response of change in ICP and rSO2 (ΔICP and ΔrSO2, respectively) to an impulse in change in arterial blood pressure (ΔABP) was also examined for similarities. Results A total of 83 patients with 428,775 min of unique and complete physiologic data were obtained. Through agglomerative hierarchical clustering and principal component analysis, there was higher order clustering between rSO2- and ICP-based indices, separate from other physiologic parameters. Additionally, modeled responses of ΔICP and ΔrSO2 to impulses in ΔABP were similar, indicating that ΔrSO2 may be a valid surrogate for pulsatile CBV. Conclusions rSO2- and ICP-based indices of cerebrovascular reactivity relate to one another in higher dimensional physiologic space. ΔICP and ΔrSO2 behave similar in modeled responses to impulses in ΔABP. This work strengthens the body of evidence supporting the similarities between ICP-based and rSO2-based indices of cerebrovascular reactivity and opens the door to cerebrovascular reactivity monitoring in settings where invasive ICP monitoring is not feasible.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,276
Écart entre enseignants0,257 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations21
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIntensive Care Medicine ExperimentalMême sujetTraumatic Brain Injury and Neurovascular DisturbancesTravaux en français237 207