Proton magnetic resonance spectroscopy as a potential tool for differentiating between abdominal fluid collections
Notice bibliographique
Résumé
PURPOSE: To determine the utility of proton magnetic resonance spectroscopy (MRS) in distinguishing abdominal fluid types. MATERIALS AND METHODS: Abdominal fluid samples were obtained from patients undergoing therapeutic percutaneous drainage. In vitro spectroscopy was performed using a 1.5-T scanner and a head coil. Single voxel spectra were obtained using a point resolved spin-echo sequence with water suppression (TR/TE 2000 msec/35 msec). The peak pattern for each sample was examined and the signal-to-noise ratio (SNR) estimated (ratio of tallest peak to noise at <0 ppm). RESULTS: Thirty-five samples were analyzed: purulent collection (eight), serosanguinous collection (eight), non-chylous ascites (six), chylous ascites (one), bile (seven), and bile with iodinated contrast media (five). The mean SNR of the dominant peak was: purulent collection, 12.7; serosanguinous collection, 3.2; non-chylous ascites, 2.4; chylous ascites, 8.8; bile, 1.4; and bile with contrast media, 60.8. Pus samples had a broad based peak pattern with continuous signal of >1.5 ppm width situated within the range 0.2-2.5 ppm, not found in other samples. Chylous ascites (one sample) had a distinctive peak at 1.2 ppm. Bile with contrast had three peaks at 3.5/3.6, 2.6, and 2.1 ppm. No other patterns were found to be discriminatory. Common non-specific patterns seen included a bifid peak at 1.1-1.3 ppm and a broad based peak situated between 3 and 4 ppm. CONCLUSIONS: The H1 spectra of purulent fluid has a higher SNR than common non-purulent abdominal fluids and a distinct broad based peak pattern from 0.2-2.5 ppm. Proton spectroscopy may be a useful tool for distinguishing purulent from non-purulent intra-abdominal collections.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».