Ureteroscopic Doppler Ultrasonography: Mapping Renal Blood Flow from Within the Collecting System
Notice bibliographique
Résumé
Introduction: Herein we provide the first report regarding in vivo porcine renal forniceal, papillary, and infundibular blood flow at the urothelial level using a novel ureteroscopic Doppler transducer. Materials and Methods: Nephroureteroscopy was performed on 11 female Yorkshire pigs to map the forniceal, papillary, and infundibular blood flow. A Doppler transducer was mounted to a 3F 120 cm catheter; the probe was passed through the working channel of a flexible ureteroscope. Blood flow was categorized from 0 (no flow) to 3 (highest flow) based on auditory intensity. At each site, a holmium laser probe was activated until it penetrated ∼1 cm into each of the examined areas; bleeding times were recorded. Results: The frequency of the Doppler transducer signal was proportional to the blood velocity within the vessel with expected increased bleeding times confirmed after puncture with a holmium laser. Analysis demonstrated that the 6 o'clock position of the fornix had significantly greater blood flow than any other forniceal location (p < 0.001). The center of each papilla had the least blood flow (p < 0.001). Blood flow was significantly higher at the infundibular level compared with the caliceal fornices at all locations (anterior, posterior, upper pole, midkidney, and lower pole) (p < 0.001). Conclusions: In a porcine model, a miniaturized Doppler ultrasound probe used during ureteroscopy demonstrated that the renal papilla had the least amount of blood flow whereas the infundibula had the highest blood flow. These data may serve to inform site selection during percutaneous nephrostomy placement.
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 | 0,000 | 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 | 0,001 |
| 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 ».