MétaCan
Menu
← Retour à la cohorte
Enregistrement W2956136536

Quantitative renal PET imaging with Rubidium-82 can discriminate individuals with different degrees of renal impairment

2019· article· en· W2956136536 sur OpenAlexaff
Paco E. Bravo, Benjamin Fuchs, Abdel Tahari, Matthew Thorpe, Howard Julien, Marie Guerraty, Scott D. Metzler, Daniel A. Pryma, Jacob G. Dubroff, Arman Rahmim

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésMedicineRenal functionRenal blood flowCardiologyKidneyPerfusionCreatinineEjection fractionInternal medicineNuclear medicineCardiac PETBlood flowDiabetes mellitusKidney diseaseUrologyHeart failureEndocrinology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

164 Background: While non-invasive quantitative (K1) renal imaging with Rubidium-82 (Rb-82) PET has been shown to be feasible in healthy volunteers, its clinical application remains uncertain.Objective:The aim of the study was to investigate changes in renal K1 (as marker of blood flow; quantified in Rb-82 PET images) across various degrees of renal impairment.Methods: We studied 102 patients (mean age 60 ± 12 years; LVEF 62 ± 14%; median creatinine 1.13 mg/dL [IQR 0.89 - 4.58]; male 56%; blacks 44%; diabetes 38%; hypertension 81%; coronary disease 25%; heart failure 15%) who underwent list-mode rest/stress Rb-82 myocardial perfusion PET/CT for evaluation of inducible ischemia, and in whom the right and/or left kidney were partial or fully included in the field of view of the heart. On both the rest and stress delayed images, volumes of interest were drawn along the entire left ventricular (LV) wall, the visualized right and/or left kidneys, and the center of the left atrial blood pool. Tissue and blood pool time activity curves were generated from the dynamic datasets, and a two-compartment model was applied for quantitative evaluation of tracer kinetics at rest and during stress. Results: Patients were divided into 5 groups according to their glomerular filtration rate (GFR): group 1 (n=54; GFR ≥ 60 ml/min/1.73m2), group 2 (n=6; GFR 45-59 ml/min/1.73m2), group 3 (n=5; GFR 30 - 44 ml/min/1.73m2), group 4 (n=3; GFR 15 - 29 ml/min/1.73m2), and group 5 (n=34; GFR <15 ml/min/1.73m2). Overall, renal K1 did not vary between rest and stress (0.83 ± 0.43 vs. 0.84 ± 0.46 ml/min/g; P=0.42) or between the right and left kidney (0.84 ± 0.44 vs. 0.85 ± 0.43 ml/min/g; P=0.42). Renal K1 showed a clear correlation with renal function (r = -0.64; P<0.001) with a stepwise reduction across GFR 1-5 groups (1.12 ± 0.35, 0.93 ± 0.30, 0.68 ± 0.18, 0.49 ± 0.15, 0.44 ± 0.20 mL/min/gr, respectively; P<0.0001). The renal-to-LV K1 ratio showed that flow was significantly higher in the kidney in groups 1 and 2, comparable between organs in group 3, and lower in the kidney than the heart in groups 4 and 5 (1.82 ± 0.54, 1.50 ± 0.27, 1.17 ± 0.56, 0.79 ± 0.25, 0.66 ± 0.25, respectively; P<0.0001).Conclusion:Non-invasive evaluation of renal flow with Rb-82 PET is feasible during cardiac evaluations and can discriminate patients with varying degrees of renal dysfunction. Further studies are necessary to better delineate the relationship between absolute renal blood flow and the perfusion coefficient K1, as well as its predictive role in the development of renal dysfunction.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,010
Tête enseignante GPT0,275
Écart entre enseignants0,264 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetRadiomics and Machine Learning in Medical Imaging→Travaux en français237 207→