State-of-the-art imaging for diagnosis of metastatic bone disease
Notice bibliographique
Résumé
Metastatic bone disease (MBD) is common-it is detected in up to 65-75% of patients with breast or prostate cancer, in over 35% of patients with lung cancer; and almost all patients with symptomatic multiple myeloma have focal lesions or a diffuse bone marrow infiltration. Metastatic bone disease can cause a variety of symptoms and is often associated with a poorer prognosis, with high social and health-care costs. Population-based cohort studies confirm significantly increased health-care utilization costs in patients presenting with cancer with MBD compared with those without MBD. The prolonged survival of patients with bone metastasis thanks to advances in therapy presents an opportunity for better treatments for this patient cohort. Early and accurate diagnosis of bone metastases is therefore crucial. The patterns and presentation of MBD are quite heterogeneous and necessitate good knowledge of the possibilities and limitations of each imaging modality. Here, we review the state-of-the-art imaging techniques, assess the need for evidence-based and cost-effective patient care pathways, and advocate multidisciplinary management based on collaborations between orthopedic surgeons, pathologists, oncologists, radiotherapists, and radiologists aimed at improving patient outcomes. Radiologists play a key role in this multidisciplinary approach to decision-making through correlating the tumor entity, the tumor biology, the impact on the surrounding tissues and progression, as well as the overall condition of the patient. This approach helps to choose the best patient-tailored imaging plan advocating a "choose wisely" strategy throughout the initial diagnosis, minimally invasive treatment procedures, as well as follow-up care plans.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| 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 ».