Radiation Exposure During Videourodynamics: Establishing Risk Factors
Notice bibliographique
Résumé
Objectives The use of fluoroscopy during urodynamics can be helpful in the evaluation of patients with lower urinary tract dysfunction. However, fluoroscopy introduces the potential hazards of ionizing radiation, including malignancy. In this study we analyzed the data for radiation exposure during videourodynamic study ( VUDS ) at our center; we have also tried to establish the factors associated with increased exposure to radiation during VUDS . Methods We reviewed all VUDS from A ugust 2010 to M ay 2011. Patients were included if they were ≥18 years old and had data recorded on total radiation exposure (radcm 2 ). Age, sex, body mass index, fluoroscopy time, diagnosis, and urodynamic findings were recorded. Multivariate linear regression analysis was used to identify independent risk factors that influenced increased radiation exposure. Results A total of 203 videourodynamic studies were assessed in 106 female and 97 male patients with a mean age of 64.3 and body mass index of 26.8. The average fluoroscopy time was 100.2 sec and exposure was 560.9 radcm 2 . The most common indication for videourodynamics was incontinence, 40.9%. On multivariate linear regression analysis body mass index, vesico‐ureteral reflux, sex, number of fill cycles, and larger capacity were independent predictors of increased radiation exposure. Conclusions We have shown that increased radiation exposure as measure with D ose A rea P roduct during VUDS was significantly associated with larger BMI , female gender, larger bladder capacity, presence of VUR , junior operator, and higher number of fill cycles. Further studies are now underway to attempt to reduce exposure based on these findings.
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 | 0,001 |
| 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 ».