Quantitative cardiorespiratory analysis in the care of extremely preterm infants
Bibliographic record
Abstract
La majorité des nouveau-nés extrêmement prématurés, dont l'âge gestationnel est inférieur à 28 semaines, ont besoin d'une surveillance respiratoire spécialisée et d'une ventilation par tube endotrachéale (VTET) pour maintenir un échange de gaz adéquats. Cependant, un VTET prolongé est associé à des taux plus élevés de problèmes de développement neurologiques. Par conséquent, les médecins extubent les nourrissons de la VTET dès que leur jugement clinique indique que le nourrisson est prêt. Malheureusement, de nombreux nourrissons échouent leur tentative d'extubation et nécessitent une réintubation et le rétablissement de la VTET. La réintubation est techniquement difficile et est elle-même associée à une augmentation du risque de morbidités à long terme. Par conséquent, l'objectif principal de cette thèse était de développer un outil de prédiction automatisé de l'état de préparation à l'extubation (APEX): un prédicteur objectif de la capacité du nourrisson à être extubé, basé sur l'analyse de signaux cardiorespiratoires enregistrés de manière non-invasive.Après l'extubation, les bébés très prématurés ont besoin d'un soutien respiratoire. Un support largement utilisé est la ventilation en pression positive continue (CPAP), qui fournit une pression continue des voies respiratoires. Un type de support plus récent est la lunette nasale à haut débit (HFNC) qui utilise une canule plus petite pour délivrer un mélange de gaz chauffé et humidifié à des débits élevés. Il existe peu de preuves cliniques concernant son efficacité chez les nouveau-nés extrêmement prématurés. Par conséquent, un deuxième objectif de cette thèse était de comparer le comportement cardiorespiratoire des bébés extrêmement prématurés lors de leur traitement par CPAP et HFNC.Les naissances extrêmement prématurées sont rares. Il a fallu recruter des nourrissons de plusieurs sites au Canada et aux États-Unis. Le troisième objectif de la thèse était le développement d'un ensemble d'outils pour acquérir, gérer et analyser des données cardiorespiratoires dans un environnement collaboratif distribué. Premièrement, nous avons caractérisé la relation entre le changement de circonférence thoracique et les signaux de pléthysmographie respiratoire par inductance (RIP) aux fréquences respiratoires rencontrées chez les nouveau-nés. Nous avons démontré que le RIP est une représentation linéaire du changement de circonférence lors de mouvements respiratoires néonatals. Deuxièmement, nous avons développé l'algorithme DAVA afin de faciliter l'acquisition, la visualisation, et la validation de données dans le cadre d'études collaboratives. Troisièmement, nous avons mis au point une procédure automatisée pour caractériser le comportement cardiorespiratoire.Nous avons utilisé ces outils pour réaliser l’étude de soutien post-extubation en recueillant les données de 30 nouveau-nés extrêmement prématurés. Ils avaient des pauses respiratoires significativement plus longues et des besoins en oxygène plus élevés sous HFNC que sous CPAP. Ce sont des précurseurs courants d'un échec d'extubation, et ces résultats démontrent donc la nécessité de mener d'autres études prospectives.Pour l'étude APEX, nous avons acquis les paramètres cliniques et les signaux cardiorespiratoires de 266 nouveau-nés extrêmement prématurés. Nous avons conçu un classificateur non linéaire, objectif, à deux étapes, automatisé, et a identifié avec précision 75% des nourrissons ayant échoué à l'extubation. Cependant, 29% des nourrissons étant classifiés comme ‘échec’ par APEX auraient resté sur VTET plus longtemps que nécessaire. Cette performance est excellente étant donné que tous ces nourrissons ont été jugés cliniquement prêts pour l'extubation. Le classificateur APEX a prédit objectivement l'état de préparation à l'extubation, sans intervention humaine, en se fiant sur la plus grande multi-institutionnelles base de données cardiorespiratoires acquise à ce jour chez des nouveau-nés extrêmement prématurés
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".