Predictors of VILI risk: driving pressure, 4DPRR and mechanical power ratio—an experimental study
Notice bibliographique
Résumé
Abstract Background Ventilator-induced lung injury (VILI) is one of the side effects of mechanical ventilation during ARDS; a prerequisite for averting it is the quantification of its risk factors associated with a given ventilatory setting. Many clinical variables have been proposed as predictors of VILI, of which driving pressure is the most widely used. In this study, we compared the performance of driving pressure, four times the driving pressure added to respiratory rate (4DPRR) and mechanical power ratio. Results In a study population of 121 previously healthy pigs exposed to harmful ventilation, we compared the association of driving pressure, 4DPRR and mechanical power ratio to lung weight, lung wet-to-dry and total histological score. All the three variables were associated with these outcomes. Driving pressure, 4DPRR and mechanical power ratio increase linearly with the lung weight (adjusted R 2 of 0.27, 0.36 and 0.40, respectively), the lung wet-to-dry ratio (adjusted R 2 of 0.19, 0.25 and 0.37) and the total histological score (adjusted R 2 of 0.26, 0.38 and 0.26). Using a multiple linear regression model with forward analysis, starting with tidal volume and progressively adding respiratory rate and positive end-expiratory pressure, and comparing the topic with the outcome variables, we obtained R 2 values, respectively, of 0.07, 0.20, 0.42 for lung weight, 0.09, 0.19, 0.26 for lung wet-to-dry ratio and 0.07, 0.27, 0.43 for total histological score. Conclusions Driving pressure, 4DPRR and mechanical power ratio, were all associated with lung injury in healthy animals undergoing mechanical ventilation.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».