Time-Series autocorrelative structure of cerebrovascular reactivity metrics in severe neural injury: An evaluation of the impact of data resolution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Goal: Cerebrovascular reactivity (CVR) dysfunction is a contributor to secondary injury in traumatic brain injury (TBI). The issue with applying non-overlapping moving average filters to reduce temporal resolution of high resolution CVR data is that the autocorrelative structure is ignored. It violates the priors of linearity and raises concerns for the level of certainty for any reported models. The goal is to assess if there is a data resolution for cerebral physiology where Box-Jenkin’s time-series statistical structures can be ignored. The CVR indices were derived in varying temporal resolutions from 10-second to 1-day and each signals’ stationarity was assessed. By varying autoregressive order (1–10), integrative order (0–2), and moving average order (0–10), the autoregressive integrative moving average (ARIMA) models were fit to each index in varying temporal resolutions to obtain median optimal ARIMA models. A total of 100 patients were included with 3934.5 minutes of median recording duration. The stationarity analysis showed stationarity in 1st and 2nd order differenced data after temporal reduction. The median optimal ARIMA models for each combination of temporal resolution and CVR indices were found based on Akaike Information Criterion. Autocorrelative function (ACF) and partial ACF plots of residuals confirmed median optimal ARIMA model adequacy. For accurate predictions/trajectory forecasting, the autocorrelative structure needs to be accounted for in CVR data using an autocorrelative order of 8–10 for high frequency data and about 5 for low frequency data. Also, there is the need to understand such ARIMA structures in raw multi-modal cerebral physiology using multi-center high-resolution datasets.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 découle