The feasibility of three-dimensional displays of the thorax for preoperative planning in the surgical treatment of lung cancer
Notice bibliographique
Résumé
OBJECTIVE: Three-dimensional (3D) displays of anatomic structures have become feasible for preoperative planning in some surgical procedures. There have been no reports, however, on the use of 3D displays for surgical treatment of lung cancer. We hypothesized that 3D displays of the thorax are useful for preoperative planning for lung cancer. METHODS: Based on virtual reality technologies, we rendered 3D displays of the thorax from two-dimensional (2D) computed tomographic (CT) images of six anonymous patients, some of whom underwent surgical removal of lung cancer. For determining the resectability of lung cancer, we tested 17 participants with varying degrees of surgical skills to view 3D displays and read 2D CT images of these thoracic cavities in a randomized order. We measured their performance in terms of the accuracy of predicted resectability, the confidence of their prediction, planning time used, and workload experienced. RESULTS: The results demonstrated that viewing 3D displays of thoracic cavities has significant advantages over reading 2D CT images in determining the resectability of lung cancer: increasing the accuracy of predicted resectability by about 20%, enhancing the confidence of the prediction by about 20%, decreasing planning time by about 30%, and reducing workload by about 50%. All participants preferred viewing 3D displays to reading 2D CT images for preoperative planning. Junior residents found 3D displays of thoraces more useful than senior residents. CONCLUSIONS: It is feasible to use 3D displays of the thorax for preoperative planning in treating lung cancer. Using 3D displays in surgical treatment of lung cancer has potential benefits, once the technique is perfected.
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 | 0,007 | 0,000 |
| 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 | 0,000 |
| 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 ».