Notice bibliographique
Résumé
OBJECTIVE To determine whether dual-energy CT (DECT) could accurately differentiate the composition of common canine uroliths in a phantom model. SAMPLE 30 canine uroliths with pure compositions. PROCEDURES Each urolith was composed of ≥ 70% struvite (n = 10), urate (8), cystine (5), calcium oxalate (4), or brushite (3) as determined by standard laboratory methods performed at the Canadian Veterinary Urolith Centre. Uroliths were suspended in an agar phantom, and DECT was performed at low (80 kV) and high (140 kV) energies. The ability of low- and high-energy CT numbers, DECT number, and DECT ratio to distinguish uroliths on the basis of composition was assessed with multivariate ANOVA. RESULTS No single DECT measure differentiated all urolith types. The DECT ratio differentiated urate uroliths from all other types of uroliths. The DECT and low-energy CT numbers were able to differentiate between 8 and 7 pairs of urolith types, respectively. CONCLUSIONS AND CLINICAL RELEVANCE Results indicated that DECT was unable to differentiate common types of canine uroliths in an in vitro model; therefore, it is unlikely to be clinically useful for determining urolith composition in vivo. Given that the primary reasons for determining urolith composition in vivo are to predict response to shock wave lithotripsy and develop a treatment plan, future research should focus on the correlation between DECT measurements and urolith fragility rather than urolith composition.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».