MR Imaging for Diagnostic Evaluation of Encephalopathy in the Newborn
Notice bibliographique
Résumé
Magnetic resonance (MR) imaging is used with increasing frequency to evaluate the neonatal brain because it can provide important diagnostic and prognostic information that is needed for optimal treatment and appropriate counseling. Special care must be taken in preparing encephalopathic neonates for an MR study, transporting them from the intensive care unit, monitoring their vital signs, and optimizing MR sequences and protocols. Moreover, to accurately interpret the findings, specific knowledge is needed about the normal MR imaging appearances of the physiologic processes of myelination, cell migration, and sulcation, as well as patterns of injury, in the neonatal brain at various stages of gestational development. Hypoxic-ischemic injury, the most common cause of neonatal encephalopathy, has characteristic appearances that depend on the severity and duration of the insult as well as the stage of brain development. Diffusion-weighted MR imaging and MR spectroscopy depict abnormalities earlier than do conventional MR imaging sequences. However, diffusion-weighted imaging, if performed in the first 24 hours after the insult, might lead to underestimation of the extent of injury. When the MR findings are atypical, the differential diagnosis of neonatal encephalopathy also should include congenital and metabolic disorders and infectious diseases. Despite recent advances in the MR imaging-based characterization of these conditions, the clinical history must be borne in mind to achieve an accurate diagnosis.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».