Detecting Traumatic Brain Lesions in Children: CT versus MRI versus Susceptibility Weighted Imaging (SWI)
Notice bibliographique
Résumé
Cranial CT scans are at the center of decision making in brain injuries in children because of their speed and ability to detect surgically relevant lesions. However, alternative techniques, such as conventional MRI may have advantages in terms of radiation exposure and sensitivity to detect brain injury. Susceptibility-weighted imaging (SWI), a relatively novel MRI sequence, shows promise in terms of its sensitivity in detecting hemorrhagic lesions; however, its clinical potential remains uncertain. In this observational study of children (5-16 years of age) with traumatic brain injury (TBI) at a tertiary pediatric emergency department (ED) we compared the ability of detecting traumatic brain lesions on acute CT and MRI/SWI ∼ 5 weeks post-injury based on detecting the presence or absence, extent, and type of traumatic brain lesions. We analyzed the results of 76 patients (53 male) after TBI (mean age 10.24 ± 2.50 years, range 5.75-14.67 years). Glasgow Coma Score was 13-15 in 54 patients (71%), 9-12 in 13 patients (17%) and <8 in 9 patients (12%). CTs were completed in the ED; MRI and SWI were completed at a mean of 36.11 ± 15.75 days post-injury. Detection of any lesions occurred on CT scan in 68%, on MRI in 54%, and on SWI in 86% of cases, and SWI detected additional lesions 30% of the time compared to CT and MRI. SWI may be more sensitive in detecting traumatic lesions than CT or MRI. This may be important for the ongoing management of TBIs and their prognosis.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».