Predictors of NIV‐related adverse events in children using long‐term noninvasive ventilation
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: An increasing number of children with diverse medical conditions are using long-term noninvasive ventilation (NIV). This study examined the impact of demographic, clinical, and technology-related factors on long-term NIV adverse events in a large cohort of children using long-term NIV. METHODS: This was a multicenter retrospective review of all children who initiated long-term NIV in the province of Alberta, Canada, from January 2005 to September 2014, and followed until December 2015. Inclusion criteria were children who had used NIV for 3 months or more and had at least one follow-up visit with the NIV programs. RESULTS: We identified 507 children who initiated NIV at a median age of 7.5 (interquartile range: 8.6) years and 93% of them reported at least one NIV-related adverse event during the initial follow-up visit. Skin injury (20%) and unintentional air leaks (19%) were reported more frequently at the initial visit. Gastrointestinal symptoms, midface hypoplasia, increased drooling, aspiration and pneumothorax were rarely reported (<5%). Younger age and underlying conditions such as Down syndrome, achondroplasia, and Duchenne muscular dystrophy were early predictors of unintentional air leak. Younger age also predicted child sleep disruption in the short term and ongoing parental sleep disruption. Obesity was a risk factor for persistent nasal symptoms. Mask type was not a significant predictor for NIV-related short- or long-term complications. CONCLUSIONS: This study demonstrates that NIV-related complications are frequent. Appropriate mask-fitting and headgear adaptation, and a proactive approach to early detection may help to reduce adverse events.
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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».