Single-slice dynamic computed tomographic determination of glomerular filtration rate by use of Patlak plot analysis in anesthetized pigs
Notice bibliographique
Résumé
OBJECTIVE: To compare glomerular filtration rate (GFR) as estimated from Patlak plot analysis by use of single-slice computed tomography (CT) with that obtained from clearance of plasma inulin in pigs. ANIMALS: 8 healthy anesthetized juvenile pigs. PROCEDURES: All pigs underwent precontrast, whole-kidney, helical CT; postcontrast single-slice dynamic CT; and postcontrast, whole-kidney CT for volume determination. On dynamic images, corrected Hounsfield unit values were determined for each kidney and the aorta. A Patlak plot for each kidney was generated, and plasma clearance per unit volume was multiplied by renal volume to obtain whole-animal contrast clearance. Mean GFR determined via inulin clearance (Inu-GFR) was measured from each kidney and correlated to mean GFR determined via CT (CT-GFR) for the left kidney, right kidney, and both kidneys by use of linear regression and Bland-Altman analyses. RESULTS: CT-GFR results from 7 pigs were valid. Total and right kidney Inu-GFR were correlated with total and right kidney CT-GFR (total, R(2) = 0.85; right kidney, R(2) = 0.86). However, left kidney CT-GFR was poorly correlated with left kidney Inu-GFR (R(2) = 0.47). Bland-Altman analysis revealed no significant bias between Inu-GFR and CT-GFR for the left kidney, right kidney, or both kidneys. CONCLUSIONS AND CLINICAL RELEVANCE: CT-GFR as determined by use of a single-slice acquisition technique, low-dose of iohexol, and Patlak plot analysis correlated without bias with Inu-GFR for the right kidney and both kidneys (combined). This technique has promise as an accurate CT-GFR method that can be combined with renal morphologic evaluation.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,005 |
| 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 ».