Targeting feasibility evaluation of magnetic resonance-guided focused ultrasound in the management of osteomyelitis: a virtual treatment planning study in 75 patients
Notice bibliographique
Résumé
Purpose: Osteomyelitis is one of the most serious complications linked to diabetes and increases the possibility of limb amputation considerably. There exists an important clinical need to improve management of osteomyelitis, especially for diabetic patients who are more susceptible to failures, relapses and chronicity of multiple bone infections. Magnetic resonance-guided focused ultrasound (MRgFUS) can offer a clinical management option for patients with osteomyelitis by providing a non-surgical and potentially rapid-recovery treatment option.Material and Methods: A retrospective study with patients with confirmed osteomyelitis (n = 75) was performed at evaluating the feasibility to target bone infection sites with a clinically approved MRgFUS device (Sonalleve, Profound Medical, Mississauga, ON, Canada). The developed methodology allows using preexisting diagnostic magnetic resonance imaging (MRI) or computed tomography (CT) scans to evaluate the treatment feasibility directly using a MRgFUS treatment planning software.Results: 74.7% of the cases included in our study passed the targetability criteria. Cases were deemed non-targetable if the target was less than 1 cm from the skin or close to a neuro-vascular bundle, metallic implants, or in the way of a defect in the overlying skin. For cases that passed the targetability criteria, an average among patients of 92.7 ± 5.2% of the gross treatment volume could be reached using treatment cells available at the Sonalleve system.Conclusion: The retrospective study presented here is the first step to demonstrate the feasibility of utilizing MRgFUS for the thermal treatment of osteomyelitis.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».