The ongoing dilemma of residual cholesteatoma detection: are current magnetic resonance imaging techniques good enough?
Notice bibliographique
Résumé
INTRODUCTION: There is a clear clinical need to reliably detect residual cholesteatoma after canal wall up mastoid surgery. Ideally, this would be achieved through non-invasive radiological means rather than second-look surgery, thus preventing morbidity in those patients in whom no residual disease is found. CASE REPORT: We describe a case in which non-echo-planar, diffusion-weighted magnetic resonance imaging sequences were used pre-operatively, and compared with subsequent surgical findings. This case highlights both the potential of this increasingly popular magnetic resonance technique and also its current limitations. DISCUSSION: Various magnetic resonance sequencing types have been employed to try to reliably detect residual cholesteatoma, each with varying success. Non-echo-planar, fast-spin echo, diffusion-weighted sequences currently appear to be the most reliable at detecting even the smallest pearl of cholesteatoma, down to 2 mm in diameter. In our unit, a propeller, diffusion-weighted image sequence is employed on a GE Signa scanner. However, both this case study and other reports show that the accuracy of the technique is not 100 per cent. This begs the question of how much one can rely on the findings of such techniques when deciding whether second-look surgery is indicated. Scan-negative patients will require continued follow up as, at the time of imaging, residual disease may not have reached a detectable size.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».