Determination of glomerular filtration rate in anesthetized pigs by use of three-phase whole-kidney computed tomography and Patlak plot analysis
Notice bibliographique
Résumé
OBJECTIVE: To develop a whole-kidney computed tomography (CT) technique that would allow 3-point Patlak plot determination of glomular filtration rate (GFR) and assess the correlation of GFR determined via CT (CT-GFR) with GFR determined via renal plasma clearance of inulin (Inu-GFR) in pigs. ANIMALS: 6 healthy anesthetized pigs. PROCEDURES: Each pig underwent 3-phase whole-kidney helical CT (arterial, early, and late parenchymal phases) before and after contrast medium administration. After contrast medium administration, corrected Hounsfield unit values were determined for each kidney and the aorta. A 3-point Patlak plot for each kidney was generated, and plasma clearance per unit volume was multiplied by renal volume to obtain whole-animal CT-GFR. Correlations of mean Inu-GFR for the left and right kidneys (and combined [total] values) with the corresponding CT-GFRs were assessed via linear regression and Bland-Altman analyses. RESULTS: Left kidney, right kidney, and total CT-GFRs were good predictors of the respective Inu-GFR values (r(2) = 92.3%, r(2) = 85.5%, and r(2) = 93.7%, respectively). For the left kidney, no significant bias between Inu-GFR and CT-GFR was detected. Right kidney and total CT-GFRs underestimated the corresponding Inu-GFRs (mean underestimation, -8.4 mL*min(1) and -12.6 mL*min(1), respectively). CONCLUSIONS AND CLINICAL RELEVANCE: Three-phase whole-kidney CT with Patlak plot analysis of GFR may underestimate right kidney and total Inu-GFRs in pigs. The Patlak plot generated may be sensitive to nonlinearity caused by temporal variation in GFR. Nonetheless, the 3-phase CT approach offers some practical advantages for simultaneous evaluation of renal morphology and measurement of GFR.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».