MétaCan
Menu
Retour à la cohorte
Enregistrement W2315738213 · doi:10.15420/ecr.2010.6.1.15

Radiation Minimisation and Outcome Maximisation in Cardiac Computed Tomograpy

2010· article· en· W2315738213 sur OpenAlexaff
James P. Earls, Jonathon Leipsic

Notice bibliographique

RevueEuropean Cardiology Review · 2010
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiation Dose and Imaging
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésRadiation doseMedical physicsMedicineRadiation exposureComputed tomographyMinimisation (clinical trials)Reduction (mathematics)Computer scienceRadiologyRisk analysis (engineering)Nuclear medicineMathematics

Résumé

récupéré en direct d'OpenAlex

Recent reports have raised general awareness that cardiac computed tomography (CT) has the potential for relatively high effective radiation doses. While the actual amount of risk this poses to the patient is controversial, the increasing concern has led to a great deal of research on new CT techniques capable of imaging the heart at substantially lower radiation doses than was available only a few years ago. Methods of dose reduction include optimised selection of user-defined parameters, such as tube current and voltage, as well as use of new technologies, such as prospective triggering and iterative reconstruction. These techniques have each been shown to lead to substantial reduction in radiation dose without loss of diagnostic accuracy. This article will review the most frequently used and widely available methods for radiation dose reduction in cardiac CT and give practical advice on their use and limitations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,310
Score d'incertitude au seuil0,418

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,302
Écart entre enseignants0,281 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Cardiology ReviewMême sujetRadiation Dose and ImagingTravaux en français237 207