Dynamic cerebral autoregulation quantification with spontaneous arterial blood pressure oscillations: Is transfer function analysis our best option?
Notice bibliographique
Résumé
Transfer function analysis (TFA) is a widely used analytical method to quantify dynamic cerebral autoregulation (dCA), which represents the ability of the cerebrovasculature to buffer transient changes in arterial blood pressure (ABP).This analytical approach estimates metrics reflecting the dynamic behaviour of dCA, assuming the latter can be represented as a linear control system.The variables computed from TFA are coherence {i.e., fraction of input signal [e.g., ABP] linearly related to output signal [e.g., cerebral blood velocity (CBv)]}, gain (i.e., CBv amplitude change for a given ABP change) and phase (i.e., difference in timing of ABP and CBv waveforms).Quantification of TFA for dCA can be completed using large transient-driven and spontaneous ABP oscillations (Claassen et al., 2016;Panerai et al., 2023).The use of spontaneous ABP fluctuations is appealing to physiologists and clinicians to assess dCA in diverse clinical contexts, where forced oscillations in ABP are not feasible or appear unsafe.Although acknowledged, it is now clearly documented that spontaneous TFA has a poor signal-to-noise ratio and greatly reduced reproducibility in comparison to forced oscillations (e.g., induced by repeated squat-stand manoeuvres).This considerably limits interpretation with respect to the linear association between ABP and CBv
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 | 0,007 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».