Dynamic interactions between submaximal leg effort and dyspnoea during incremental CPET: implications for exercise tolerance in COPD
Notice bibliographique
Résumé
Background: Adding the severity of peripheral and respiratory symptoms across submaximal exercise intensities may enhance our ability to predict exercise tolerance in COPD. Aim: To determine the best approaches to quantify the cumulative burden of activity-related symptoms vis-à-vis peak work rate (WR) and O2 uptake (VO2) in COPD of varied severity. Methods: An AI-based software (DyVe-X) classified the dynamic burden of CR10 Borg leg effort and dyspnoea across increasing work rates during cardiopulmonary exercise testing (CPET) in 354 patients. These metrics were compared with peak symptom burden (“mild”=both scores≤2, “severe”=both>5 and “moderate”= any other combination). Results: Neither peak WR nor peak VO2 differed between patients according to the combined peak symptom burden (p>0.05). Conversely, both variables progressively decreased with the severity of dynamic symptom burden (p<0.001; Figure). Controlling for COPD stage, “severe” dynamic symptom burden -but not “severe” peak symptom burden – predicted “severe” impairment in peak WR (<50% pred; OR (95% CI)= 3.69 (2.36-5.76)) and peak VO2 (<60 % pred; 3.56 (2.23-5.68))(p<0.001), erj;64/suppl_68/PA1676/F1 F1 F1 Conclusions: Combining the dynamic assessment of leg effort and dyspnoea severity throughout incremental CPET strongly predicts peak exercise capacity in COPD. Both symptoms should be addressed to enhance exercise tolerance in this patient 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 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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 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 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 ».