OP049 Topic: AS04–Emerging Sciences, Methodologies, Big Data and Technology: AUTOMATIC RECRUITMENT MANEUVERS DETECTION IN MECHANICALLY VENTILATED PEDIATRIC PATIENT
Notice bibliographique
Résumé
Aims & Objectives: Invasive ventilation is often needed for acute hypoxemic respiratory insufficiency in the pediatric intensive care unit (PICU). Recruitment maneuvers (RMs) are a common treatment, but little is known on their clinical impact. Our objective was to develop a computational tool able to detect RMs and further study their impact on oxygenation and clinical outcomes. Methods: Continuous data of every patient on our high-resolution database hospitalized in Sainte-Justine Hospital PICU between 2016-02-01 and 2023-12-30 was included. Data extraction, cleaning and analysis were executed using SQL and R languages. A sliding window function was used on the timeseries data to identify both RMs including intrapulmonary percussive ventilation and intermittent positive pressure breathing and PEEP incremental maneuvers such as PEEP titration and temporary PEEP increase. A random manual record verification was conducted on 30 patients per group to measure the sensitivity and the accuracy of the algorithm. Results: We identified 14 635 RMs on 635 patients and 324 patients who had a PEEP increment. The median age was 25 months (IQR 2.95-130), the median PELOD-2 score on admission was 9 (IQR 6-12) and the median length of stay was 11 days (IQR 5.41-23.50). Our model had a 100% sensitivity for both groups and an accuracy of 100% for RMs and 93% for PEEP increment. The 2 patients misclassified were on non-invasive ventilation. Conclusions: We are able to retrospectively identify 96.7% RMs episodes. This will be useful to study the clinical impact of RMs and to develop clinical decision support systems to identify patients who respond positively. Keywords: Detection Model, clinical decision support systems, hypoxemia, pediatric intensive care, Recruitment Maneuvers
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 | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».