The Acute Respiratory Distress Syndrome: Diagnosis and Management

Saguil, Aaron; Fargo, Matthew V.

doi:10.1007/978-3-319-94189-9_11

Cited by 61 publications

(3 citation statements)

References 79 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Também pontua-se, além da necessidade de profissionais capacitados, considerando a taxa de mortalidade dos pacientes com variação entre 40 e 60%. 2,6,24 Dessa forma, fornecer parâmetros de ventilação protetora como níveis de volume corrente, pressão de pico inspiratório e PEEP estão associados à menor mortalidade. Ante tal situação, negligenciar tais parâmetros ocasiona a piora da condição pulmonar (pneumonia, menor complacência do sistema respiratório e menor relação PaO 2 /FiO2) ou aumento da demanda ventilatória.…”

Section: Discussionunclassified

“…1 Idade, comorbidades, Síndrome do Desconforto Respiratório Agudo (SDRA), gravidade da doença de base e variáveis relacionadas ao suporte da UTI (balanço hídrico positivo e falha da ventilação não invasiva) são considerados fatores associados à mortalidade hospitalar. 2,3 Tais fatores, quando relacionados à infecção por Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2), apresentam uma alta letalidade. 4 Além disso, essa é uma doença de características bastante heterogêneas entre os indivíduos, pois apresenta fenótipos diferentes ocasionados por um mesmo agente viral.…”

Section: Introductionunclassified

See 1 more Smart Citation

Construção e validação do instrumento de verificação da adesão às diretrizes brasileiras de ventilação mecânica

Celeste

Silva

Ferreira

et al. 2023

REME Rev Min Enferm.

View full text Add to dashboard Cite

Objetivo: construir e validar um instrumento para verificar a adesão às recomendações das Diretrizes Brasileiras de Ventilação Mecânica dos profissionais de saúde envolvidos na assistência aos pacientes em Ventilação Mecânica Invasiva. Método: estudo metodológico conduzido entre setembro e dezembro de 2019, em um hospital público com 87 pacientes. Adotou-se o Índice de Validação de Conteúdo para a validação de conteúdo, o Coeficiente de Correlação de Pearson para a validade de critério, o alfa de Cronbach para a consistência interna, o Coeficiente Kappa e o Coeficiente de Correlação Intraclasse para a confiabilidade interobservador. Resultados: o instrumento apresentou validade de conteúdo e consistência interna aceitável. A correlação de Pearson, indicou uma correlação do escore de adesão com a saturação (r=0,31; p≤0,005), o escore médio para o observador A e B resultou, respectivamente, em 88,89(±5,23) e 88,86(±5,34) e o intervalo de confiança foi de 0,96. Conclusão: o instrumento se mostrou válido e confiável para verificar a adesão às Diretrizes Brasileiras de Ventilação Mecânica dos profissionais.

show abstract

Section: Discussionunclassified

Section: Introductionunclassified

Construção e validação do instrumento de verificação da adesão às diretrizes brasileiras de ventilação mecânica

Celeste

Silva

Ferreira

et al. 2023

REME Rev Min Enferm.

View full text Add to dashboard Cite

show abstract

“…Confidence in ARDS diagnosis varies due to the heterogeneity in disease presentation [ 5 ] as well as the heterogeneity in the disease’s definition [ 6 , 7 ]. The identification of ARDS across clinical settings remains subjective [ 8 ], and it can be difficult to diagnose the syndrome in patients with underlying conditions that have similar symptom presentations, such as pneumonia [ 9 ].…”

Section: Introductionmentioning

confidence: 99%

Semisupervised Deep Learning Techniques for Predicting Acute Respiratory Distress Syndrome From Time-Series Clinical Data: Model Development and Validation Study

Lam¹,

Tso²,

Green‐Saxena³

et al. 2021

JMIR Form Res

View full text Add to dashboard Cite

Background A high number of patients who are hospitalized with COVID-19 develop acute respiratory distress syndrome (ARDS). Objective In response to the need for clinical decision support tools to help manage the next pandemic during the early stages (ie, when limited labeled data are present), we developed machine learning algorithms that use semisupervised learning (SSL) techniques to predict ARDS development in general and COVID-19 populations based on limited labeled data. Methods SSL techniques were applied to 29,127 encounters with patients who were admitted to 7 US hospitals from May 1, 2019, to May 1, 2021. A recurrent neural network that used a time series of electronic health record data was applied to data that were collected when a patient’s peripheral oxygen saturation level fell below the normal range (<97%) to predict the subsequent development of ARDS during the remaining duration of patients’ hospital stay. Model performance was assessed with the area under the receiver operating characteristic curve and area under the precision recall curve of an external hold-out test set. Results For the whole data set, the median time between the first peripheral oxygen saturation measurement of <97% and subsequent respiratory failure was 21 hours. The area under the receiver operating characteristic curve for predicting subsequent ARDS development was 0.73 when the model was trained on a labeled data set of 6930 patients, 0.78 when the model was trained on the labeled data set that had been augmented with the unlabeled data set of 16,173 patients by using SSL techniques, and 0.84 when the model was trained on the entire training set of 23,103 labeled patients. Conclusions In the context of using time-series inpatient data and a careful model training design, unlabeled data can be used to improve the performance of machine learning models when labeled data for predicting ARDS development are scarce or expensive.

show abstract

Examination of Taurine Chloramine and Taurine on LPS-Induced Acute Pulmonary Inflammatory in Mice

Nguyen

Murakami

Schaffer

et al. 2022

Advances in Experimental Medicine and Biology

View full text Add to dashboard Cite

The Acute Respiratory Distress Syndrome: Diagnosis and Management

Cited by 61 publications

References 79 publications

Construção e validação do instrumento de verificação da adesão às diretrizes brasileiras de ventilação mecânica

Construção e validação do instrumento de verificação da adesão às diretrizes brasileiras de ventilação mecânica

Semisupervised Deep Learning Techniques for Predicting Acute Respiratory Distress Syndrome From Time-Series Clinical Data: Model Development and Validation Study

Examination of Taurine Chloramine and Taurine on LPS-Induced Acute Pulmonary Inflammatory in Mice

Contact Info

Product

Resources

About