MétaCan
Menu
Retour à la cohorte
Enregistrement W2546884239 · doi:10.1109/ultsym.2016.7728830

Blood pressure dependent elasticity measurements of porcine kidney ex-vivo

2016· article· en· W2546884239 sur OpenAlexaff
Caitlin Schneider, Mohammad Honarvar, Julio Lobo, Robert Rohling, Septimiu E. Salcudean, Samir Bidnur, Christopher Nguan

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineMedicine
ThématiqueUltrasound Imaging and Elastography
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésElasticity (physics)ElastographyKidney transplantationMedicineEx vivoTransplantationKidneyUltrasoundBiomedical engineeringNephrologyBlood pressureInternal medicineCardiologyIn vivoUrologyRadiologyMaterials scienceBiology

Résumé

récupéré en direct d'OpenAlex

Kidney transplantation is standard of care for end-stage renal failure. Monitoring graft health after transplantation to ensure graft longevity is important and usually carried out through the use of biopsy. Ultrasound elastography has the potential to allow regular non-invasive monitoring of graft health via the level of fibrosis. Results of kidney elastography research to date have been variable. It is hypothesized that the changes in blood pressure are a confounding factor in elasticity measurements and may explain the varied results. Using a controlled set-up on porcine kidneys ex-vivo, the effects of changes in pressure with flow from a peristaltic pump were examined (n=5). Each kidney was measured from 0 mmHg to 130 mmHg. It was found that the measured elasticity of the kidney was dependent on the input pressure of the pump. Increasing the input pressure resulted in an increase in the measured elasticity, from an average 21 ± 3 kPa at 0 mmHg to approximately 34 ± 9 kPa at 130 mmHg. These results suggest that the phase of the cardiac cycle be considered in kidney elastography using electrocardiogram (ECG) monitoring.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
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 recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,018
Tête enseignante GPT0,245
Écart entre enseignants0,228 · 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 source (Gemma direct ou Codex distillé), 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

Citations2
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetUltrasound Imaging and ElastographyTravaux en français237 207