Clinical application of neuromodulation therapy in patients with disorder of consciousness: A pooled analysis of 544 participants
Notice bibliographique
Résumé
BACKGROUND: The number of patients with disorders of consciousness (DoC) has increased dramatically with the advancement of intensive care and emergency medicine, which brings tremendous economic burdens and even ethical issues to families and society. OBJECTIVE: To evaluate the effectiveness of neuromodulation therapy for patients with DoC. METHODS: First, we conducted a literature review of individual patient data (IPD) on PubMed, EMBASE, and Cochrane-controlled trials following PRISMA guidelines. Then, we collected neuromodulation cases from our institution. Finally, we conducted a pooled analysis using the participants from the medical literature (n = 522) and our local institutions (n = 22). RESULTS: In this pooled analysis of 544 patients with DoC with a mean age of 46.33 years, our results revealed that patients have improved CRS-R scores [1.0 points (95% CI, 0.57-1.42)] after neuromodulation. Among them, patients have better effectiveness in traumatic than non-traumatic etiology (P < 0.05). The effectiveness of consciousness improvement could be affected by the age, baseline consciousness state, and duration of stimulation. Compared with non-invasive intervention, an invasive intervention can bring more behavioral improvement (P < 0.0001) to MCS rather than UWS/VS patients. Importantly, neuromodulation is a valuable therapy even years after the onset of DoC. CONCLUSION: This pooled analysis spotlights that the application of neuromodulation can improve the behavioral performance of patients with DoC. A preliminary trend is that age, etiology, baseline consciousness state, and stimulation duration could impact its effectiveness.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| 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 ».