Abstract Introduction Although largely used, the place of oxygen therapy and its devices in patients with acute hypoxemic respiratory failure (ARF) deserves to be clarified. The French Intensive Care Society (Société de Réanimation de Langue Française, SRLF) and the French Emergency Medicine Society (Société Française de Médecine d’Urgence, SFMU) organized a consensus conference on oxygen therapy in ARF (excluding acute cardiogenic pulmonary oedema and hypercapnic exacerbation of chronic obstructive diseases) in December 2023. Methods A committee without any conflict of interest (CoI) with the subject defined 7 generic questions and drew up a list of sub questions according to the population, intervention, comparison and outcomes (PICO) model. An independent work group reviewed the literature using predefined keywords. The quality of the data was assessed using the GRADE methodology. Fifteen experts in the field from both societies proposed their own answers in a public session and answered questions from the jury (a panel of 16 critical-care and emergency medicine physicians, nurses and physiotherapists without any CoI) and the public. The jury then met alone for 48 h to write its recommendations. Results The jury provided 22 statements answering 11 questions: in patients with ARF (1) What are the criteria for initiating oxygen therapy? (2) What are the targets of oxygen saturation? (3) What is the role of blood gas analysis? (4) When should an arterial catheter be inserted? (5) Should standard oxygen therapy, high-flow nasal cannula oxygen therapy (HFNC) or continuous positive airway pressure (CPAP) be preferred? (6) What are the indications for non-invasive ventilation (NIV)? (7) What are the indications for invasive mechanical ventilation? (8) Should awake prone position be used? (9) What is the role of physiotherapy? (10) Which criteria necessarily lead to ICU admission? (11) Which oxygenation device should be preferred for patients for whom a do-not-intubate decision has been made? Conclusion These recommendations should optimize the use of oxygen during ARF.

Summary Sleep trackers are used widely by patients with sleep complaints, however their metrological validation is often poor and relies on healthy subjects. We assessed the metrological validity of two commercially available sleep trackers (Withings Activité/Fitbit Alta HR) through a prospective observational monocentric study, in adult patients referred for polysomnography (PSG). We compared the total sleep time (TST), REM time, REM latency, nonREM1 + 2 time, nonREM3 time, and wake after sleep onset (WASO). We report absolute and relative errors, Bland–Altman representations, and a contingency table of times spent in sleep stages with respect to PSG. Sixty‐five patients were included (final sample size 58 for Withings and 52 for Fitbit). Both devices gave a relatively accurate sleep start time with a median absolute error of 5 (IQR −43; 27) min for Withings and −2.0 (−12.5; 4.2) min for Fitbit but both overestimated TST. Withings tended to underestimate WASO with a median absolute error of −25.0 (−61.5; −8.5) min, while Fitbit tended to overestimate it (median absolute error 10 (−18; 43) min. Withings underestimated light sleep and overestimated deep sleep, while Fitbit overestimated light and REM sleep and underestimated deep sleep. The overall kappas for concordance of each epoch between PSG and devices were low: 0.12 (95%CI 0.117–0.121) for Withings and VPSG indications 0.07 (95%CI 0.067–0.071) for Fitbit, as well as kappas for each VPSG indication 0.07 (95%CI 0.067–0.071). Thus, commercially available sleep trackers are not reliable for sleep architecture in patients with sleep complaints/pathologies and should not replace actigraphy and/or PSG.

Overcrowding in emergency departments (ED) is a major public health issue, leading to increased workload and exhaustion for the teams, resulting poor outcomes. It seems interesting to be able to predict the admissions of patients in the ED. The main objective of this study was to build and test a prediction tool for ED admissions using artificial intelligence. We performed a retrospective multicenter study in two French ED from January 1st, 2010 to December 31st, 2019.We tested several machine learning algorithms and compared the results. The arrival and departure times from the ED of 2 hospitals were collected from all consultations during the study period, then grouped into 87 600 one-hour slots. Through the development of two models (one for each location), we found that the XGBoost method with hyperparameter adaptations was the best, suggesting that the studied data could be predicted (mean absolute error) at 2.63 for Hospital 1 and 2.64 for Hospital 2). This study ran the construction and validation of a powerful tool for predicting ED admissions in 2 French ED. This type of tool should be integrated into the overall organization of an ED, to optimize the resources of healthcare professionals.