MétaCan
Menu
Retour à la cohorte
Enregistrement W2803070641 · doi:10.1002/mp.12909

Fluorescence‐guided surgery and intervention — An <scp>AAPM</scp> emerging technology blue paper

2018· article· en· W2803070641 sur OpenAlexaff
Brian W. Pogue, Timothy C. Zhu, Vasilis Ntziachristos, Keith D. Paulsen, Brian C. Wilson, Joshua Pfefer, Robert J. Nordstrom, Maritoni Litorja, Heidrun Wabnitz, Yu Chen, Sylvain Gioux, Bruce J. Tromberg, Arjun G. Yodh

Notice bibliographique

RevueMedical Physics · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueNanoplatforms for cancer theranostics
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMedical physicsTask groupPresentation (obstetrics)Task (project management)Intervention (counseling)MedicineComputer scienceSystems engineeringEngineering managementEngineeringRadiology

Résumé

récupéré en direct d'OpenAlex

Fluorescence-guided surgery (FGS) and other interventions are rapidly evolving as a class of technologically driven interventional approaches in which many surgical specialties visualize fluorescent molecular tracers or biomarkers through associated cameras or oculars to guide clinical decisions on pathological lesion detection and excision/ablation. The technology has been commercialized for some specific applications, but also presents technical challenges unique to optical imaging that could confound the utility of some interventional procedures where real-time decisions must be made. Accordingly, the AAPM has initiated the publication of this Blue Paper of The Emerging Technology Working Group (TETAWG) and the creation of a Task Group from the Therapy Physics Committee within the Treatment Delivery Subcommittee. In describing the relevant issues, this document outlines the key parameters, stakeholders, impacts, and outcomes of clinical FGS technology and its applications. The presentation is not intended to be conclusive, but rather to inform the field of medical physics and stimulate the discussions needed in the field with respect to a seemingly low-risk imaging technology that has high potential for significant therapeutic impact. This AAPM Task Group is working toward consensus around guidelines and standards for advancing the field safely and effectively.

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: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,940
Score d'incertitude au seuil0,646

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 Opus0,013
Tête enseignante GPT0,249
Écart entre enseignants0,236 · 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'étudeAutre devis
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

Citations33
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical PhysicsMême sujetNanoplatforms for cancer theranosticsTravaux en français237 207