A comparison of two different software packages for analysis of body composition using computed tomography images
Notice bibliographique
Résumé
OBJECTIVES: The analysis of body composition from computed tomography (CT) imaging has become widespread. However, the methodology used is far from established. Two main software packages are commonly used for body composition analysis, with results used interchangeably. However, the equivalence of these has not been well established. The aim of this study was to compare the results of body composition analysis performed using the two software packages to assess their equivalence. METHODS: Triphasic abdominal CT scans from 50 patients were analyzed for a range of body composition measures at the third lumbar vertebral level using OsiriX (v7.5.1, Pixmeo, Switzerland) and SliceOmatic (v5.0, TomoVision, Montreal, Canada) software packages. Measures analyzed were skeletal muscle index (SMI), fat mass (FM), fat-free mass (FFM), and mean skeletal muscle Hounsfield Units (SMHU). RESULTS: The overall mean SMI calculated using the two software packages was significantly different (SliceOmatic 51.33 versus OsiriX 53.77, P < 0.0001), and this difference remained significant for non-contrast and arterial scans. When FM and FFM were considered, again the results were significantly different (SliceOmatic 33.7 versus OsiriX 33.1 kg, P < 0.0001; SliceOmatic 52.1 versus OsiriX 54.2 kg, P < 0.0001, respectively), and this difference remained for all phases of CT. Finally, when analyzed, mean SMHU was also significantly different (SliceOmatic 32.7 versus OsiriX 33.1 HU, P = 0.046). CONCLUSIONS: All four body composition measures were statistically significantly different by the software package used for analysis; however, the clinical significance of these differences is doubtful. Nevertheless, the same software package should be used if serial measurements are being performed.
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 | 0,001 |
| 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 ».