Investigating the Risk Factors Associated With Acute Neurologic Dysfunction in Pediatric Hyperglycemic Emergencies on Transport
Notice bibliographique
Résumé
OBJECTIVE: This study aims to identify key characteristics of hyperglycemic emergencies in pediatric patients and those at risk for acute neurologic dysfunction during transport. METHODS: We conducted a retrospective chart review of pediatric patients during interfacility transport by Ornge, Ontario's critical care transport service, from January 1, 2009, to December 31, 2019. Data were extracted from electronic patient care records and included demographic, clinical, and transport-specific variables. Two multiple logistic regression models were utilized to analyze associations between predictor variables and neurologic dysfunction (GCS, <14). RESULTS: Of the 399 patients included, 24% (n = 95) had a GCS score of <14. Patients with a GCS score of <14 were more acidotic compared with those with a GCS score of ≥14 (median pH, 6.9 [IQR, 6.8-7.1] vs median, pH 7.0 [IQR, 1.0-7.2]; P < 0.001). Higher median corrected sodium for glucose values were observed in patients with a GCS score of <14 compared to those with a GCS score of ≥14 (145.7 mmol/L [IQR, 140.6-149.9 mmol/L] vs 141.7 mmol/L [IQR, 138.3-146.4 mmol/L]; P < 0.001). Multiple logistic regression identified younger age (aOR, 0.91; 95% CI, 0.84-0.98; P = 0.01), severe acidosis (pH <7.10; aOR, 3.56; 95% CI, 1.33-11.62; P = 0.02), and higher creatinine (aOR, 1.01; 95% CI, 1.01-1.02; P < 0.001) as risk factors for acute neurologic dysfunction. CONCLUSIONS: Our findings reveal associations between acute neurologic dysfunction, younger age, severe acidosis, and elevated corrected sodium for glucose values in pediatric hyperglycemic emergencies during transport. Education and adherence to guidelines are recommended to improve outcomes in this population.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 | 0,001 |
| 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 ».