Operational Testing of a Combined Hardware-Software Strategy for Triage of Radiologically-Contaminated Persons
Notice bibliographique
Résumé
After a radiological dispersal device (RDD) event, it is possible for radionuclides to enter the human body through inhalation, ingestion, and skin and wound absorption. The dominant pathway will be through inhalation. From a health physics perspective, it is important to know the magnitude of the intake to perform dosimetric assessments. From a medical perspective, removal of radionuclides leading to dose (hence risk) aversion is of high importance. The efficacy of medical decorporation strategies is extremely dependent upon the time of treatment delivery after intake. The "golden hour," or more realistically 3-4 h, is imperative when attempting to increase removal of radionuclides from extracellular fluids prior to cellular incorporation. To assist medical first response personnel in making timely decisions regarding appropriate treatment delivery modes, a software tool has been developed which compiles existing radionuclide decorporation therapy data and allows a user to perform simple triage leading to potential appropriate decorporation treatment strategies. Three triage algorithms were included: (1) multi-parameter model (MPM), (2) clinical decision guidance (CDG) model, and (3) annual limit on intake (ALI) model. A radiation triage mask (RTM) has simultaneously been developed to provide a simple and rapid hardware solution for first responders to triage internally exposed personnel in the field. The hardware/software strategy was field tested with a military medical unit and was found by end-users to be relatively simple to learn and use.
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 | 0,000 | 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 ».