Impact of Personalized Parenteral Nutrition on Inflammatory Markers and Clinical Outcomes in Critically Ill Patients: A Systematic Review and Meta-analysis
Notice bibliographique
Résumé
Background and aims: Personalized parenteral nutrition (PPN) is a customized strategy to address the individual metabolic and nutritional requirements of the critically ill patients, especially in cases where enteral nutrition (EN) is not possible. However, available evidence regarding its effectiveness and safety is still inconclusive. This systematic review and meta-analysis aim to evaluate the impact of PPN on the clinical outcome of critically ill patients, including its effect on their length of stay in the intensive care unit (ICU), morbidity, and mortality. Methodology: A systematic literature search was conducted in PubMed, EMBASE, and Cochrane databases. Information pertinent to the question was retrieved from the selected studies by using a structured data extraction form. Included studies were those that had assessed the impact on clinical outcomes of PPN in critically ill patients. Data were synthesized using a random-effects meta-analysis model. An odds ratio (OR) with 95% confidence intervals (CIs) was used as the pooled effect size. Results: = 81%). Conclusion: Personalized parenteral nutrition has demonstrated improved benefits in tailored nutritional support for critically ill patients. The evidence, however, has shown mixed clinical outcomes, and its effect on mortality and morbidity has been inconclusive. Future research is needed to optimize the composition of PPN formulations and evaluate the long-term effects of this intervention. How to cite this article: Gatar O, Arishi AA, Sultan MA, Gatar MM. Impact of Personalized Parenteral Nutrition on Inflammatory Markers and Clinical Outcomes in Critically Ill Patients: A Systematic Review and Meta-analysis. Indian J Crit Care Med 2025;29(12):1040-1049.
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 | 0,001 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 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 ».