A Review of the Effectiveness of Neuroimaging Modalities for the Detection of Traumatic Brain Injury
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The incidence of traumatic brain injury (TBI) in the United States was 3.5 million cases in 2009, according to the Centers for Disease Control and Prevention. It is a contributing factor in 30.5% of injury-related deaths among civilians. Additionally, since 2000, more than 260,000 service members were diagnosed with TBI, with the vast majority classified as mild or concussive (76%). The objective assessment of TBI via imaging is a critical research gap, both in the military and civilian communities. In 2011, the Department of Defense (DoD) prepared a congressional report summarizing the effectiveness of seven neuroimaging modalities (computed tomography [CT], magnetic resonance imaging [MRI], transcranial Doppler [TCD], positron emission tomography, single photon emission computed tomography, electrophysiologic techniques [magnetoencephalography and electroencephalography], and functional near-infrared spectroscopy) to assess the spectrum of TBI from concussion to coma. For this report, neuroimaging experts identified the most relevant peer-reviewed publications and assessed the quality of the literature for each of these imaging technique in the clinical and research settings. Although CT, MRI, and TCD were determined to be the most useful modalities in the clinical setting, no single imaging modality proved sufficient for all patients due to the heterogeneity of TBI. All imaging modalities reviewed demonstrated the potential to emerge as part of future clinical care. This paper describes and updates the results of the DoD report and also expands on the use of angiography in patients with TBI.
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.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle