MétaCan
Menu
Retour à la cohorte
Enregistrement W4413814580 · doi:10.1016/j.semperi.2025.152126

Leveraging neonatal neuroimaging for neuroprognostication in presumed hypoxic-ischemic encephalopathy: A framework for clinicians

2025· review· en· W4413814580 sur OpenAlexafffund
Mehmet Nevzat Çizmeci, Andrea van Steenis, Rhandi Christensen, Sylke J. Steggerda, Linda S. de Vries

Notice bibliographique

RevueSeminars in Perinatology · 2025
Typereview
Langueen
DomaineMedicine
ThématiqueNeonatal and fetal brain pathology
Établissements canadiensHospital for Sick ChildrenUniversity of TorontoSickKids Foundation
Organismes subventionnairesUniversity of Toronto
Mots-clésMedicineNeuroimagingHypoxic Ischemic EncephalopathyEncephalopathyIntensive care medicineNeonatal encephalopathyHypoxia (environmental)Internal medicinePsychiatry

Résumé

récupéré en direct d'OpenAlex

Brain magnetic resonance imaging (MRI) in neonates with presumed hypoxic-ischemic encephalopathy (HIE) offers a unique window into the extent and timing of injury, providing valuable insights for neuroprognostication. Brain MRI refines the prediction of functional outcomes, crucial for guiding family counseling and early interventions. The present article focuses on the role of post-rewarming brain MRI in this context, exploring specific MRI findings associated with diverse neurodevelopmental outcomes and highlights the potential of neuroimaging to improve the understanding and prediction of long-term functional outcomes. Utilizing a framework with likelihood categories, this work aims to enhance the accuracy of prediction of adverse outcomes within specific developmental domains, thereby refining neuroprognostication for informed discussions with caregivers.

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)0,008
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,969
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,008
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
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 Opus0,043
Tête enseignante GPT0,379
Écart entre enseignants0,336 · 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.

Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

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

En bref

Citations3
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSeminars in PerinatologyMême sujetNeonatal and fetal brain pathologyTravaux en français237 207