MétaCan
Menu
Retour à la cohorte
Enregistrement W4405089430 · doi:10.1097/jtccm-d-24-00016

Application of pulmonary ultrasound for respiratory failure in intensive care unit

2024· article· en· W4405089430 sur OpenAlexaff
Jean Deschamps, Hameid Alenazy, Martin Girard

Notice bibliographique

RevueJournal of Translational Critical Care Medicine · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueUltrasound in Clinical Applications
Établissements canadiensCentre Hospitalier de l’Université de Montréal
Organismes subventionnairesnon disponible
Mots-clésMedicineIntensive care unitRespiratory failureIntensive care medicineRespiratory distressMechanical ventilationIntensive careRespiratory monitoringRespiratory systemPneumoniaRadiologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

This review is part of a series of articles on the use of ultrasound in the intensive care unit. This review aims to demonstrate the most up-to-date ultrasound applications relevant to respiratory failure assessment and management in the intensive care unit. Pulmonary ultrasound encompasses pleural, parenchymal, and respiratory muscle ultrasound. It can be used at every stage of a patient’s course, including assessment of undifferentiated respiratory failure, disease-specific measurements and manipulations, respiratory muscle function assessment, lung and diaphragmatic protective ventilation, and liberation from mechanical ventilation. Multiple protocols and conceptual frameworks have been designed to assist the evaluation and management of undifferentiated patients. Disease states for which there is specific evidence include acute respiratory distress syndrome, cardiogenic pulmonary edema, bacterial pneumonia, and respiratory muscle dysfunction. Extensive outcome data supports the routine use of lung ultrasound in each situation. Pulmonary ultrasound has a large body of evidence supporting its widespread adoption within intensive care units. It represents the most versatile, non-invasive tool available for respiratory failure management.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,546
Score d'incertitude au seuil0,499

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,061
Tête enseignante GPT0,415
Écart entre enseignants0,354 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Translational Critical Care MedicineMême sujetUltrasound in Clinical ApplicationsTravaux en français237 207