A systematic review, meta-analysis <i>and</i> meta-regression amalgamating the driven approaches used <i>to</i> quantify dynamic cerebral autoregulation
Notice bibliographique
Résumé
Numerous driven techniques have been utilized to assess dynamic cerebral autoregulation (dCA) in healthy and clinical populations. The current review aimed to amalgamate this literature and provide recommendations to create greater standardization for future research. The PubMed database was searched with inclusion criteria consisting of original research articles using driven dCA assessments in humans. Risk of bias were completed using Scottish Intercollegiate Guidelines Network and Methodological Index for Non-Randomized Studies. Meta-analyses were conducted for coherence, phase, and gain metrics at 0.05 and 0.10 Hz using deep-breathing, oscillatory lower body negative pressure (OLBNP), sit-to-stand maneuvers, and squat-stand maneuvers. A total of 113 studies were included, with 40 of these incorporating clinical populations. A total of 4126 participants were identified, with younger adults (18-40 years) being the most studied population. The most common techniques were squat-stands (n = 43), deep-breathing (n = 25), OLBNP (n = 20), and sit-to-stands (n = 16). Pooled coherence point estimates were: OLBNP 0.70 (95%CI:0.59-0.82), sit-to-stands 0.87 (95%CI:0.79-0.95), and squat-stands 0.98 (95%CI:0.98-0.99) at 0.05 Hz; and deep-breathing 0.90 (95%CI:0.81-0.99); OLBNP 0.67 (95%CI:0.44-0.90); and squat-stands 0.99 (95%CI:0.99-0.99) at 0.10 Hz. This review summarizes clinical findings, discusses the pros/cons of the 11 unique driven techniques included, and provides recommendations for future investigations into the unique physiological intricacies of dCA.
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 | 0,031 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,020 | 0,039 |
| Bibliométrie | 0,014 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».