MétaCan
Menu
Retour à la cohorte
Enregistrement W2498590714 · doi:10.1371/journal.pone.0140892

Estimation of Tumor Interstitial Fluid Pressure (TIFP) Noninvasively

2016· article· en· W2498590714 sur OpenAlexafffund
Long Jian Liu, Stephen L. Brown, James R. Ewing, Kenneth Schneider, Mordechay Schlesinger

Notice bibliographique

RevuePLoS ONE · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueUltrasound and Hyperthermia Applications
Établissements canadiensWindsor Regional HospitalUniversity of Windsor
Organismes subventionnairesWindsor Cancer Centre FoundationKræftens Bekæmpelse
Mots-clésInterstitial fluidFluid pressureMedicinePathologyPhysicsMechanics

Résumé

récupéré en direct d'OpenAlex

Tumor interstitial fluid pressure (TIFP), is a physiological parameter with demonstrated predictive value for a tumor's aggressiveness, drug delivery, as well as response to treatments such as radiotherapy and chemotherapy. Despite its utility, measurement of TIFP has been limited by the need for invasive procedures. In this work, the theoretical basis for approaching the absolute value of TIFP and the experimental method for noninvasively measuring TIFP are presented. Given specific boundary and continuity conditions, we convert theoretical variables into measurable variables by applying MRI technology. The work shows that TIFP in the central region of the tumor can be estimated by an analysis of the variation of tissue fluid motion in the tumor rim and surrounding tissue. It is determined from three noninvasive measurable parameters: i) an estimate of the velocity of the tumor interstitial fluid at the tumor surface, which is maximal, ii) a measurement of the distance from the tumor surface to where the tumor exudates are absorbed (or normalized), and iii) an estimate of the hydraulic conductivity of the interstitium through which the tumor exudate travels. We experimentally show that the fluid flow within the tumor rim is not uniform, even for a round shaped tumor, and demonstrate the procedures for the noninvasive measurement of TIFP.

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)0,000
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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,257

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 Opus0,019
Tête enseignante GPT0,192
Écart entre enseignants0,173 · 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'étudeExpérimental (laboratoire)
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

Citations38
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetUltrasound and Hyperthermia ApplicationsTravaux en français237 207