Evaluating the effect of point-sampling on univariate point and interval forecasting of cerebral physiologic signals using ARIMA modeling in acute traumatic neural injury
Notice bibliographique
Résumé
High-resolution physiological signals, such as intracranial pressure (ICP) and regional cerebral oxygen saturation (rSO 2 ), are critical for managing traumatic brain injury (TBI) by enabling continuous monitoring of cerebral autoregulation and vascular reactivity. These signals provide essential insights into brain perfusion dynamics, supporting timely clinical interventions. However, the high temporal resolution of these data introduces challenges in real-time use, integration into predictive models, and computational efficiency. Consequently, resolution reduction techniques are essential for simplifying the data while retaining critical features necessary for accurate prediction and modeling. Using the Multi-omic Analytics and Integrative Neuroinformatics in the HUman Brain (MAIN-HUB) Lab database, high-frequency cerebral physiologic dataset, we aimed to evaluate the effects of point-sampling resolution reduction on point and interval predictions using the autoregressive integrated moving average (ARIMA) model for both raw signals and derived indices. Temporal resolution was reduced by selecting the first value within non-overlapping intervals, ranging from 1-min (min) to 12-h windows. A total of 125 patient data was analyzed across various temporal resolutions. The results indicated that ARIMA models performed well at higher resolutions (e.g., 1-min), capturing short-term physiological dynamics with lower errors. However, as resolution decreased, errors and variability increased, particularly for signals like mean arterial pressure (MAP) and cerebral perfusion pressure (CPP), which exhibit rapid or complex physiological changes. The findings underscore the need to carefully balance temporal resolution, model performance, and computational efficiency, especially when dealing with high-frequency physiological data in clinical settings.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».