Analyzing the curvature of the colon in different patient positions
Notice bibliographique
Résumé
Purpose: Colonoscopy is a complex procedure with considerable variation among patients, requiring years of experience to become proficient. Understanding the curvature of colons could enable practitioners to be more effective. The purpose of this research is to develop methods to analyze the curvature of patients’ colons, and compare key segments of colons between supine and prone positions. Methods: The colon lumen in CT scans of ten patients are segmented. The following steps are automated by Python scripts in the 3D Slicer application: a set of center points along the colon are generated, and a curve is fit to these points. By identifying local maximums and local minimums in curvature, curves can be defined between two local curvature minimums. The angle of each curve is calculated over the distance of curves. Results: This automated process was used to identify and quantitatively analyze curves on the colon centerline in different patient positions. On average, there are 4.6 ± 3.8 more curves in supine position than prone. In the descending colon, there are more curves in the supine position, but curves in the prone position are larger. Conclusion: This process can quantify the curvature of colons, and can be adapted to consider other patient groups. Descriptive statistics indicate supine position has more curves in the descending colon, and prone has sharper curves in the descending colon. These preliminary results motivate further work with a larger sample size, which may reveal additional significant differences.
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 | 0,005 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».