MétaCan
Menu
Retour à la cohorte
Enregistrement W4410271057 · doi:10.1164/ajrccm.2025.211.abstracts.a3392

Big Data for Little People: Adherence to Non-invasive Ventilation in a Population-based Cohort of Children

2025· article· en· W4410271057 sur OpenAlexaffabout
Tetyana Kendzerska, Regina Pizzuti, Robert Talarico, A.S. Gershon, Louise Rose, Reshma Amin

Notice bibliographique

RevueAmerican Journal of Respiratory and Critical Care Medicine · 2025
Typearticle
Langueen
DomaineHealth Professions
ThématiqueChild and Adolescent Health
Établissements canadiensSickKids FoundationUniversity of TorontoOttawa HospitalHospital for Sick ChildrenKingston Health Sciences CentreUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésMedicineCohortCohort studyPopulationIntensive care medicineDemographyEnvironmental healthInternal medicine

Résumé

récupéré en direct d'OpenAlex

Abstract RATIONALE Non-invasive ventilation (NIV) is increasingly prescribed for pediatric home mechanical ventilation. However, NIV's effectiveness depends on adherence, which has not been evaluated at a population-based level in pediatric studies. To address this gap, we aimed to evaluate NIV adherence in children using data from Ontario's Ventilator Equipment Pool, a provincial service supporting thousands with respiratory equipment. METHODS We conducted a retrospective longitudinal cohort study using linked ventilator adherence and health administrative data from pediatric patients in Ontario, Canada. We included insured children under 18 years, with remote telemonitoring initiated between June 2020 and December 2022. Patients were followed until June 2023 to ensure at least six months of data. The first available NIV download date was the index date. Children without valid monthly NIV data were excluded. Descriptive statistics characterized the cohort and adherence measures: (i) primary: proportion of children using NIV ≥4 hours per a 24-hour period (i.e., per day); and (ii) secondary: proportion with any NIV use per day; daily usage hours on days used; and number of months/days per month with no valid data. RESULTS We included 237 children, analyzing 3,687 valid person-months (median: 13 months; IQR: 8-24). Mean (SD) age was 12.9 (4.1) years, 145 (61.2%) were male, 25 (10.5%) lived in rural areas, and 45 (19.0%) were from the lowest income quintile neighborhoods. Most (190; 80.2%) had at least one complex chronic condition, with neuromuscular conditions being the most prevalent (122; 51.5%). Additionally, 128 (54.0%) had an emergency department visit/hospitalization in the past year. Figure 1 presents the monthly distribution of NIV adherence measures. The monthly mean (SD) proportion of children using NIV ≥4 hours per day was 58.5% (31.6), while 68.0% (SD: 26.4) had any NIV use. For days when NIV was used, the mean (SD) daily usage was 7.5 (3.2) hours. Missing data was common, with 162 (68.4%) having at least one month with no data, averaging 4.4 (SD: 5.0) days per month. CONCLUSIONS This population-based study describes pediatric NIV adherence, with many children not consistently meeting the recommended ≥4 hours per night, similar to adult patterns. The comparable proportions of any use and ≥4 hours suggest that many children who used NIV did so as prescribed. Our findings underscore the need for improved monitoring and support to address true data gaps versus data gaps due to hospitalization or failure to connect the ventilator, which may lead to misinterpretation of adherence.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,220
Score d'incertitude au seuil0,437

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,012
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,005
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,054
Tête enseignante GPT0,430
Écart entre enseignants0,376 · 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 source (Gemma direct ou Codex distillé), 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
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAmerican Journal of Respiratory and Critical Care MedicineMême sujetChild and Adolescent HealthTravaux en français237 207