Challenges of Pelvic Imaging in Obese Women
Notice bibliographique
Résumé
Obesity is a major global health concern affecting all ages, socioeconomic groups, and countries. Although men have higher rates of overweight, women have higher rates of obesity. In the United States, more than 60% of women are overweight or obese, with slightly more than one-third considered frankly obese. Obesity is a major risk factor for noncommunicable diseases such as diabetes mellitus, cardiovascular disease, hypertension, stroke, and specific cancers. Obesity is associated with increased mortality for all cancers, with the highest death rates occurring in the heaviest women. Obesity can contribute to missed diagnoses, nondiagnostic results of imaging studies, imaging examination cancellation because of weight or girth restrictions, scheduling of inappropriate examinations, and increased radiation dose exposure. The utility of the clinical examination is often limited in the obese woman, which results in an even greater reliance on imaging; however, the obese woman may experience a lowered quality of and less access to medical imaging. Recognition of equipment limitations, imaging artifacts, optimization techniques, and appropriateness of modality choices is critical to providing good patient care to this health-challenged group. The clinical indication, the patient's weight, and the body diameters are three key factors to consider when choosing the most appropriate examination. Familiarity with the optimization of imaging techniques across all modalities is important to convert potentially suboptimal examinations into diagnostic-quality studies. The aim of this review is to identify key areas in which obesity affects the imaging care of women with pelvic conditions and to outline strategies to address these areas.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».