Calculation of blood loss in cardiac surgery: How should we monitor?
Notice bibliographique
Résumé
Background The bleeding in cardiac surgery remains a significant clinical problem. There is no “gold standard” method to quantify blood loss. Traditional measurement of drainage volume often underestimates or overestimates, as it does not consider the type of fluid. We hypothesized that blood loss could be more accurately calculated using the Hb/kg index in terms of haemoglobin (Hb) mass loss per kilogram of the patient’s body mass. This study aimed to Objective To develop a novel approach for calculating actual blood loss using the Hb/kg index. Methods This single-center prospective study included 195 patients who underwent cardiac surgery between October 2023 and November 2024. The Hb/kg index was calculated based on intraoperative Hb loss, Hb loss via chest tubes, packed red blood cell transfusions and patient weight. Eighty-six additional clinical predictors were analyzed using conventional statistics and machine learning algorithms. Predictors with statistically significant Spearman correlations were included for further analysis. Results Lasso regression achieved the best overall performance in predicting Hb/kg index. It yielded the lowest mean squared error (0.08 ± 0.04), mean absolute percentage error (0.18 ± 0.10), with the highest correlation (0.92 ± 0.06) and R² score (0.82 ± 0.13). BMI showed a significant negative relationship (−0.018, p < 0.001). Postoperative Hb and haematocrit values had negative correlation (−0.69, p < 0.001 and −0.07, p < 0.015), while initial Hb was positively correlated (0.85, p < 0.001). Conclusions This method provides a more reliable and clinically relevant tool to calculate actual blood loss and allows for a more precise assessment and treatment.
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) | 0,000 | 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) | 0,000 | 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 ».