Impact of trainee involvement on patient radiation exposure and contrast volumes during invasive cardiac procedures
Notice bibliographique
Résumé
PURPOSE: The impact of cardiology fellows (CFs) and interventional cardiology fellows (ICFs) on patient radiation and contrast exposure during diagnostic coronary angiography and percutaneous coronary intervention is unknown. METHODS: Between 2011 and 2014, 16,175 cases were retrospectively assessed involving 27 CFs, 22 ICFs and 24 staff as primary operators. RESULTS: During diagnostic coronary angiography, ICFs administered the lowest radiation dose (5,648±5,523 cGy*cm2; 1.30 ± 1.27 mSv)-achieving 22% less radiation than the staff (6,889±4,294 cGy*cm2; 1.58 ± 0.99 mSv) and 36% less than CFs (7,700±6,751 cGy*cm2; 1.77 ± 1.55 mSv) (p<0.01). When adjusted for access site, CFs administered more radiation than either the ICFs or staff. However, differences between ICFs and staff were exclusively observed during transradial procedures (p<0.01). With regards to contrast administration, ICFs administered less contrast (126.3 ± 57.6 mL) than either CFs (130±52.4 mL) or staff (132.7±47.6 mL) (p<0.01)-again, a finding isolated to the transradial cohort. Of the 6,751 percutaneous coronary intervention cases, no significant differences existed between the ICFs or staff cardiologists in patient radiation exposure-but a CF as the primary operator resulted in an 18% increase in radiation exposure. Notably, contrast use was not different amongst the types of operators (p<0.05). CONCLUSION: In conclusion, having a cardiology fellow as primary operator during invasive cardiac procedures increases patient radiation exposure and minimally increases contrast administration. Strategies to minimize patient radiation exposure while maintaining trainee involvement should be evaluated.
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 | 0,004 |
| 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 | 0,002 |
| 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 ».