A Comprehensive Tool for Patient-Specific AAA Geometry and Biomechanics Assessment
Notice bibliographique
Résumé
Annual mortality from ruptured abdominal aortic aneurysm (AAA) in the United States alone is approximately 150,000, which is currently ranked as the 13th leading cause of death and the 10th leading cause of death in men over 55 years of age [1]. The vascular surgeon needs to weigh the risk of AAA rupture against the risk of surgical intervention to decide the best course of treatment. Several steps are involved when using computational techniques to evaluate risk of rupture [2], namely medical image segmentation, 3D reconstruction, finite element mesh generation, derivation of boundary conditions, specification of tissue material properties, etc. Currently, computational analysis of AAA biomechanics includes the use of multiple third-party commercial software tools to accomplish each of these steps, which makes its clinical implementation impractical, time-consuming and requiring to interface multiple software tools as this demands an engineering skill set. Additionally, the versatility of general purpose off-the-shelf software comes at the cost of simplifying assumptions regarding geometric modeling, limited user control and boundary conditions. This makes subsequent computational results vulnerable to inaccuracies. In this work, we describe the software tool AAAVASC, built on a MATLAB platform, with an integrated approach for image-based modeling and a novel pipeline that facilitates both geometry quantification and computational analysis of AAA biomechanics.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».