The Fragility Index of randomized controlled trials in pediatric anesthesiology.

PURPOSE: The P value is a widely used measure of statistical importance but has many drawbacks and limitations, one being that it does not reflect the robustness of the results of a clinical trial. The Fragility Index (FI) was developed as a measure of how many outcome events would need to change to nonevents to render a significant P value nonsignificant (P ≥ 0.05). The FI of trials from other medical specialties is typically < 5. We aimed to determine the FI of pediatric anesthesiology randomized controlled trials (RCT) and to test for association with various characteristics of the included trials. METHODS: We conducted a comprehensive systematic search of high-impact anesthesia, surgical, and medical journals from the last 25 years for trials comparing an intervention between two groups with a statistically significant P value (< 0.05) for a dichotomous outcome. We also compared FI values for variables that reflect the quality and importance of a trial. RESULTS: The median [interquartile range] FI was 3 [1-7] and correlated positively with the number of participants (rS = 0.41; P < 0.001) and events (rS = 0.42; P < 0.001), and negatively with the P value (rPB = -0.36; P < 0.001). Other measures of trial quality and impact or importance were not strongly associated with the FI. CONCLUSIONS: The FI of published trials in pediatric anesthesiology is similarly low as in other medical specialties. Larger trials with more events and P values ≤ 0.01 were associated with a higher FI.

RéSUMé: OBJECTIF: La valeur P est une mesure d'importance statistique largement utilisée, mais elle présente de nombreux inconvénients et limites, notamment parce qu'elle ne reflète pas la robustesse des résultats d'une étude clinique. L'indice de fragilité (IF) a été mis au point pour mesurer le nombre d'événements du critère d'évaluation qui devraient se transformer en non-événements pour obtenir une valeur P non significative (P ≥ 0,05). L'IF des études d'autres spécialités médicales est généralement < 5. Notre objectif était de déterminer l'IF des études randomisées contrôlées (ERC) en anesthésiologie pédiatrique et de tester l'association avec diverses caractéristiques des études incluses. MéTHODE: Nous avons réalisé une recherche systématique exhaustive dans les revues d'anesthésie, de chirurgie et médicales à fort impact des 25 dernières années pour trouver des études comparant une intervention entre deux groupes avec une valeur P significative d'un point de vue statistique (< 0,05) pour un résultat dichotomique. Nous avons également comparé les valeurs d'IF pour les variables qui reflètent la qualité et l'importance d'une étude. RéSULTATS: L'IF médian [écart interquartile] était de 3 [1 à 7] et était positivement corrélé avec le nombre de participant·es (rS = 0,41; P < 0,001) et d'événements (rS = 0,42; P < 0,001), et négativement avec la valeur P (rPB = -0,36; P < 0,001). D'autres mesures de la qualité et de l'impact ou de l'importance des études n'étaient pas fortement associées à l'IF. CONCLUSION: L'IF des études publiées en anesthésiologie pédiatrique est tout aussi faible que dans d'autres spécialités médicales. Des études plus importantes avec plus d'événements et des valeurs P ≤ 0,01 étaient associées à un IF plus élevé.

Retraining an Artificial Intelligence Algorithm to Calculate Left Ventricular Ejection Fraction in Pediatrics.

OBJECTIVES: Identifying patients with low left ventricular ejection fraction (LVEF) and monitoring LVEF responses to treatment are important clinical goals. Can a deep-learning algorithm predict pediatric LVEF within clinically acceptable error? DESIGN: The study authors wanted to fine-tune an adult deep-learning algorithm to calculate LVEF in pediatric patients. A priori, their objective was to refine the algorithm to perform LVEF calculation with a mean absolute error (MAE) ≤5%. SETTING: A quaternary pediatric hospital PARTICIPANTS: A convenience sample (n = 321) of echocardiograms from newborns to 18 years old with normal cardiac anatomy or hemodynamically insignificant anomalies. Echocardiograms were chosen from a group of healthy controls with known normal LVEF (n = 267) and a dilated cardiomyopathy patient group with reduced LVEF (n = 54). INTERVENTIONS: The artificial intelligence model EchoNet-Dynamic was tested on this data set and then retrained, tested, and further validated to improve LVEF calculation. The gold standard value was LVEF calculated by clinical experts. MEASUREMENTS AND MAIN RESULTS: In a random subset of subjects (n = 40) not analyzed prior to selection of the final model, EchoNet-Dynamic calculated LVEF with a MAE of 8.39%, R2 = 0.47 without, and MAE 4.47%, R2 = 0.87 with fine-tuning. Bland-Altman analysis suggested that the model slightly underestimates LVEF (bias = -2.42%). The 95% limits of agreement between actual and calculated values were -12.32% to 7.47%. CONCLUSIONS: The fine-tuned model calculates LVEF in a range of pediatric patients within clinically acceptable error. Potential advantages include reducing operator error in LVEF calculation and supporting independent LVEF assessment by inexperienced users.

Resolution of post-traumatic chronic testicular pain in a pediatric patient after microsurgical denervation of the spermatic cord: a case report.

PURPOSE: Chronic scrotal content pain, chronic orchialgia, or testicular pain can present after trauma, vasectomy, and hernia repair, among other triggers. Microsurgical denervation of the spermatic cord is an option for definitive pain control. While this practice is established in adult urology, access to diagnostic intervention and definitive denervation surgery is limited in the pediatric population. CLINICAL FEATURES: We report a case of definitive resolution of testicular pain with microsurgical denervation of the spermatic cord in a pediatric patient with post-traumatic chronic orchialgia that significantly reduced his daily activities and worsened his anxiety prior to this treatment. The patient underwent attempts at conservative medication-based management, followed by diagnostic spermatic cord nerve block before definitive denervation surgery. CONCLUSIONS: The incidence of chronic pain in pediatrics is substantial and is estimated to be around 20%. Orchialgia remains difficult and problematic to treat. Mental health diagnoses such as anxiety and depression are also significantly associated with chronic pain. Following consideration and implementation of steps for all these concerns, a diagnostic block and microsurgical denervation led to successful resolution of chronic testicular pain in a pediatric patient.

RéSUMé: OBJECTIF: La douleur chronique au niveau du contenu scrotal, l'orchialgie chronique ou la douleur testiculaire peuvent apparaître à la suite d'un traumatisme, d'une vasectomie, et d'une réparation herniaire, entre autres déclencheurs. La dénervation microchirurgicale du cordon spermatique est une option pour le contrôle définitif de la douleur. Bien que cette pratique soit établie en urologie de l'adulte, l'accès à l'intervention diagnostique et à une chirurgie de dénervation définitive est limité pour la population pédiatrique. CARACTéRISTIQUES CLINIQUES : Nous rapportons un cas de résolution définitive d'une douleur testiculaire par dénervation microchirurgicale du cordon spermatique chez un patient pédiatrique souffrant d'orchialgie chronique post-traumatique, laquelle réduisait de manière significative ses activités quotidiennes et empirait son anxiété, avant ce traitement. Le patient a subi plusieurs tentatives de prises en charge conservatrices à l'aide de traitements médicamenteux, suivies d'un bloc nerveux diagnostique du cordon spermatique avant chirurgie de dénervation définitive. CONCLUSION: L'incidence de douleur chronique en pédiatrie est importante et est estimée à environ 20%. L'orchialgie reste difficile et problématique à traiter. Des diagnostics de santé mentale tels que l'anxiété et la dépression sont également associés de manière significative à la douleur chronique. Après examen et mise en œuvre d'étapes pour tenir compte de toutes ces préoccupations, un bloc diagnostique et une dénervation microchirurgicale ont conduit à la résolution réussie de la douleur testiculaire chronique chez un patient pédiatrique.

Automatic Prediction of Paediatric Cardiac Output From Echocardiograms Using Deep Learning Models.

Background: Cardiac output (CO) perturbations are common and cause significant morbidity and mortality. Accurate CO assessment is crucial for guiding treatment in anaesthesia and critical care, but measurement is difficult, even for experts. Artificial intelligence methods show promise as alternatives for accurate, rapid CO assessment. Methods: We reviewed paediatric echocardiograms with normal CO and a dilated cardiomyopathy patient group with reduced CO. Experts measured the left ventricular outflow tract diameter, velocity time integral, CO, and cardiac index (CI). EchoNet-Dynamic is a deep learning model for estimation of ejection fraction in adults. We modified this model to predict the left ventricular outflow tract diameter and retrained it on paediatric data. We developed a novel deep learning approach for velocity time integral estimation. The combined models enable automatic prediction of CO. We evaluated the models against expert measurements. Primary outcomes were root-mean-squared error, mean absolute error, mean average percentage error, and coefficient of determination (R2). Results: In a test set unused during training, CI was estimated with the root-mean-squared error of 0.389 L/min/m2, mean absolute error of 0.321 L/min/m2, mean average percentage error of 10.8%, and R2 of 0.755. The Bland-Altman analysis showed that the models estimated CI with a bias of +0.14 L/min/m2 and 95% limits of agreement -0.58 to 0.86 L/min/m2. Conclusions: Our model estimated CO with strong correlation to ground truth and a bias of 0.17 L/min, better than many CO measurements in paediatrics. Model pretraining enabled accurate estimation despite a small dataset. Potential uses include supporting clinicians in real-time bedside calculation of CO, identification of low-CO states, and treatment responses.

Contexte: Les perturbations du débit cardiaque sont fréquentes et associées à des taux élevés de morbidité et de mortalité. Une évaluation juste du débit cardiaque est essentielle pour orienter le choix du traitement anesthésique et des soins critiques. Or, il est difficile de mesurer le débit cardiaque, même pour les experts. Les méthodes fondées sur l'intelligence artificielle semblent toutefois prometteuses pour évaluer le débit cardiaque avec exactitude et rapidité. Méthodologie: Nous avons analysé des échocardiogrammes pédiatriques chez des personnes dont le débit cardiaque est normal ainsi que chez des patients qui étaient atteints d'une cardiomyopathie dilatée et dont le débit cardiaque était réduit. Des experts ont mesuré le diamètre de la voie d'éjection ventriculaire gauche, l'intégrale de la vitesse par rapport au temps (IVT), le débit cardiaque et l'index cardiaque. L'outil EchoNet-Dynamic est un modèle d'apprentissage profond qui donne une estimation de la fraction d'éjection chez les adultes. Nous avons modifié ce modèle afin qu'il puisse prédire le diamètre de la voie d'éjection ventriculaire gauche et l'avons entraîné à l'aide de données pédiatriques. Nous avons également mis au point une nouvelle approche d'apprentissage profond pour l'estimation des valeurs d'IVT. La combinaison de ces modèles a permis de prédire de façon automatique le débit cardiaque, et nous avons évalué les résultats obtenus par rapport à ceux des experts. Les principaux critères d'évaluation étaient l'erreur moyenne quadratique (EMQ), l'erreur moyenne absolue (EMA), le pourcentage d'erreur moyen (PEM) ainsi que le coefficient de détermination (R2). Résultats: Dans un ensemble d'essais n'ayant pas été utilisé au cours de l'entraînement du modèle, l'index cardiaque a été estimé avec une EMQ de 0,389 L/min/m2, une EMA de 0,321 L/min/m2, un PEM de 10,8 % et un R2 de 0,755. Selon l'analyse de Bland-Altman, le biais pour les estimations de l'index cardiaque était de + 0,14 L/min/m2, et les limites de concordance à 95 % étaient de ­0,58 à 0,86 L/min/m2. Conclusions: Les estimations générées par le modèle pour le débit cardiaque montraient une forte corrélation avec les valeurs de référence et un biais à 0,17 L/min, ce qui est mieux que bien des mesures du débit cardiaque utilisées en pédiatrie. Malgré un petit ensemble de données, le modèle entraîné a permis de produire une estimation juste. Les utilisations potentielles comprennent l'aide aux cliniciens dans le calcul du débit cardiaque en temps réel et au chevet du patient, le dépistage d'un faible débit cardiaque et l'évaluation de la réponse au traitement.

Combined use of Ventrain and S-Guide for Airway Management of Severe Subglottic Stenosis.

The airway management of a patient with severe tracheal stenosis depends on its severity, length, location, and type of surgery. Its management is complex and requires the collaboration of an experienced team of anaesthetist and ear, nose, and throat surgeon. We report an innovative combination of Ventrain™ and S-Guide™ for airway management of a planned endoscopic dilation of a severe subglottic stenosis in an adult patient. This new alternative may offer advantages over existing airway management techniques in similar cases.