MétaCan
Menu
Retour à la cohorte
Enregistrement W2082799595 · doi:10.1002/lsm.20258

Urinary calculus fragmentation during Ho: YAG and Er:YAG lithotripsy

2005· article· en· W2082799595 sur OpenAlexaff
Ho Lee, Hyun Wook Kang, Joel M.H. Teichman, Junghwan Oh, Ashley J. Welch

Notice bibliographique

RevueLasers in Surgery and Medicine · 2005
Typearticle
Langueen
DomaineMedicine
ThématiqueKidney Stones and Urolithiasis Treatments
Établissements canadiensSt. Paul's Hospital
Organismes subventionnairesnon disponible
Mots-clésEr:YAG laserLaserAblationLithotripsyLaser lithotripsyMaterials scienceLaser ablationImpact craterFluenceOpticsNuclear medicineMedicineSurgery

Résumé

récupéré en direct d'OpenAlex

BACKGROUND AND OBJECTIVES: We tested Ho:YAG and Er:YAG laser ablation of human urinary calculi to determine if Er:YAG is a more efficient lithotripsy device. STUDY DESIGN/MATERIALS AND METHODS: Ablation efficiency of Ho:YAG and Er:YAG lasers was tested at varying energy settings, ranging from the damage threshold to clinical energy setting associated with Ho:YAG laser. Stones of known composition (calcium oxalate monohydrate (COM), cystine, and uric acid (UA)) were irradiated. Crater width, depth, and ablation volumes were determined using an optical coherence tomography (OCT). RESULTS: For all stones and energy settings, the Er:YAG laser produced deeper craters and larger ablation volumes than Ho:YAG laser. The Ho:YAG laser created wider craters during the multiple pulse process and the shape of craters was irregular. CONCLUSIONS: The Er:YAG laser is more efficient than the Ho:YAG laser for lithotripsy. The deeper craters produced by the Er:YAG laser is attributed to the high absorption of energy at its wavelength.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,026
Score d'incertitude au seuil0,567

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,290
Écart entre enseignants0,272 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations52
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLasers in Surgery and MedicineMême sujetKidney Stones and Urolithiasis TreatmentsTravaux en français237 207