MétaCan
Menu
← Retour à la cohorte
Enregistrement W4410276722 · doi:10.1164/ajrccm.2025.211.abstracts.a7698

Global Burden of Mechanical Ventilation (GEMINI Study): An Epidemiological and Geo-economic Modelling Study

2025· article· en· W4410276722 sur OpenAlexaff
Óscar Peñuelas, Alfonso Muriel, Laura del Campo-Albendea, L. Chinh Quoc, Do Ngoc Son, F.J. Molina Saldarriaga, Ilias Ι. Siempos, Bruno Valle Pinheiro, Yaseen M. Arabi, Pedro David Wendel‐Garcia, Nicole P. Juffermans, John G. Laffey, C. Ming-Cheng, Nahit Çakar, Arnaud W. Thille, Fernando Ríos, H. Aguirre, Manuel Jibaja, Salvatore Maurizio Maggiore, Lorenzo Del Sorbo, L.J. Brochard, Nicolás Nín, Martha Romero, Bin Du, G. Bugedo, Brijesh Patel, Mayur Murali, Pedro Póvoa, L. Nobile, Daisuke Kasugai, Sean G. Young, N. Martínez, Amine Ali Zeggwagh, Benjamin Seeliger, Spyridon Fortis, P Dostál, Andréa Rodrigues Ávila, Matej Podbregar, Fekri Abroug, Sheila Nainan Myatra, Mohamed Fakher, Yuda Sutherasan, Antonio Anzueto, Fernando Frutos–Vivar, VENTILAGROUP

Notice bibliographique

RevueAmerican Journal of Respiratory and Critical Care Medicine · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate Change and Health Impacts
Établissements canadiensSt. Michael's HospitalToronto General HospitalUniversity of TorontoUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésMedicineEpidemiologyMechanical ventilationIntensive care medicineEnvironmental healthPathologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

Abstract RATIONALE: A routine clinical practice in adult critically ill patients receiving invasive mechanical ventilation (IMV) may be difficult to define. Our goal was to report updated global, and country-specific estimates of incidence, mortality, and case-fatality rates. METHODS: An observational prospective cohort of consecutive adult patients admitted between October 1, 2022, and April 30, 2023 to 457 intensive care units (ICU) from 42 countries who received IMV longer than 12 hours. Data were collected on each patient at initiation of mechanical ventilation and daily throughout the course of IMV for up to 28 days. RESULTS: During the period of recruitment, 8,350 patients were enrolled. A total of 6,998 patients from lower-middle income countries (1,428 patients), upper-middle countries (1930 patients) and high-income countries (3,640 patients) were included. Patients were predominantly males (63%) with a median age of 64 years (IQR 50,74) and median SAPS3 64 points (IQR 52-77). Main reasons for IMV were: neurologic disease (20%), postoperative respiratory insufficiency (16%), community acquired pneumonia (10%), sepsis (9%), cardiac failure (7%), ARDS (6%), COPD (5%), nosocomial pneumonia (5%), COVID (3%). Ventilator setting registered were: Tidal volume (median, IQR 7.4; 6.6-8.3 ml/kgPBW), plateau pressure (18; 15-22 cmH2O), applied PEEP (6; 5-8 cmH2O), driving pressure (12; 9-15 cmH2O), mechanical power (15.7; 11.9-20.8 joules/min). A lung protective strategy was applied on 79% of monitoring days and an open Lung Approach on 25% of monitoring days. Patients received sedation on 80% of the monitored days, analgesia on 77% and neuromuscular blocking on 9%. Most prevalent complications during the course of mechanical ventilation were sepsis (17%), delirium (14%), ventilator-associated pneumonia (8%), ARDS (8%) and ICU acquired weakness (8%). Other complications as thromboembolic events, tracheobronchitis, bleeding ulcus stress or Clostridium infection had a prevalence lower than 2%. 73% of the patients had at least one organ dysfunction, the most frequent of which were cardiovascular failure (66%), renal failure (24%), hematological failure (12%) and hepatic failure (9%). Comparison of outcomes according to income country is shown in table 1. CONCLUSIONS: After the pandemic COVID-19, we found significant geo-economic differences in the clinical outcomes of critically ill patients requiring IMV. Further adjusted models will provide information about the usual care of mechanically ventilated patients and variables related with poor outcomes.

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)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,036

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,076
Tête enseignante GPT0,403
Écart entre enseignants0,326 · 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'étudeSimulation ou modélisation
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'admission1
Résumé présentoui

Explorer davantage

Même revueAmerican Journal of Respiratory and Critical Care Medicine→Même sujetClimate Change and Health Impacts→Travaux en français237 207→