Fluid Volume Estimation by Bioimpedance: Methodological Caveats and Clinical Interpretation
Notice bibliographique
Résumé
BACKGROUND: Fluid monitoring is critical for patients on maintenance hemodialysis. Bioimpedance enables estimation of fluid volumes from measures of electrical tissue properties. However, empirical equations are needed to approximate key variables, especially in wrist-to-ankle bioimpedance measurements, introducing potential errors. SUMMARY: Here, we provide a technical overview of electrical impedance, derivation of fluid volumes from different bioimpedance methods and electrode setups, as well as sources of error including the assumption of constant resistivity, constant body temperature, and vendor-specific equations to derive fluid overload. We summarize the validity of bioimpedance methods in hemodialysis and conclude that irrespective of error sources reported above, segmental bioimpedance, where limbs and the trunk are measured separately, may be more accurate compared to the convenient wrist-to-ankle measurement. We argue that insufficient correction for variable body shape in wrist-to-ankle measurements jeopardizes this methodology, reporting here our analyses by means of theory and data simulation, where we found that conventional wrist-to-ankle bioimpedance underestimated extracellular fluid volume with increasing body fat percentage. The error could be reduced by using subject-specific body shape correction based on high-resolution 3D models. Finally, we attempt to provide guidance for identifying and mitigating common issues of wrist-to-ankle bioimpedance. KEY MESSAGES: While more convenient than segmental measurements, wrist-to-ankle bioimpedance may underestimate fluid volumes in obesity when body shape is not properly accounted for. Novel techniques, including smartphone-based 3D scans of the body, could potentially facilitate individualizing body shape correction to improve fluid volume estimates.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».