Influence of Contrast Administration on Computed Tomography–Based Analysis of Visceral Adipose and Skeletal Muscle Tissue in Clear Cell Renal Cell Carcinoma
Notice bibliographique
Résumé
Abstract Background Computed tomography (CT) scans are being utilized to examine the influence of skeletal muscle and visceral adipose quantity and quality on health‐related outcomes in clinical populations. However, little is known about the influence of contrast administration on these parameters. Methods Precontrast, arterial, and 3‐minute postcontrast CT images of 45 patients with clear cell renal cell carcinoma were downloaded from The Cancer Imaging Archive and retrospectively analyzed for visceral adipose cross‐sectional area (CSA) and density, and muscle CSA and density at the third lumbar vertebrae. Low muscle CSA index was defined as ≤38.9 cm 2 /m 2 for women and ≤55.4 cm 2 /m 2 for men. Low muscle density was defined as <41 Hounsfield units (HU) for body mass index (BMI) <24.9 kg/m 2 and <33 HU for BMI ≥25.0 kg/m 2 . Results In both the arterial and 3‐minute phases, contrast administration decreased visceral adipose CSA (−20.9 and −20.9 cm 2 ; P < .001) and increased visceral adipose density (4.8 and 5.8 HU; P < .001), relative to precontrast images. Muscle CSA index marginally increased in the arterial (0.6 cm 2 /m 2 ; P = .007) and 3‐minute phases (0.8 cm 2 /m 2 ; P < .001). This likely represents clinically insignificant changes because it does not alter the identification of low muscle CSA (44.4% vs 42.2%; P = 1.00). Skeletal muscle density increased in the arterial (6.4 HU; P < .001) and 3‐minute phases (8.7 HU; P < .001), which altered the identification of low muscle density (6.7% vs 31.1%; P < .001). Conclusions Future analyses should consider the phase of contrast during CT imaging because it may alter the interpretations of several parameters.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».