Impact of dead time on quantitative 177Lu-SPECT (QSPECT) and kidney dosimetry during PRRT
Notice bibliographique
Résumé
Abstract Background Dead time may affect the accuracy of quantitative SPECT (QPSECT), and thus of dosimetry. The aim of this study was to quantify the effect of dead time on 177 Lu-QSPECT and renal dosimetry following peptide receptor radionuclide therapy (PRRT) of neuroendocrine tumours. Methods QSPECT/CT was performed on days 1 and 3 during 564 personalized 177 Lu-octreotate cycles in 166 patients. The dead-time data for each scanning time point was compiled. The impact of not correcting QSPECT for the dead time was assessed for the kidney dosimetry. This was also estimated for empiric PRRT by simulating in our cohort a regime of 7.4 GBq/cycle. Results The probability to observe a larger dead time increased with the injected activity. A dead-time loss greater than 5% affected 14.4% and 5.7% of QSPECT scans performed at days 1 and 3, respectively. This resulted in renal absorbed dose estimates that would have been underestimated by more than 5% in 5.7% of cycles if no dead-time correction was applied, with a maximum underestimation of 22.1%. In the simulated empiric regime, this potential dose underestimation would have been limited to 6.2%. Conclusion Dead-time correction improves the accuracy of dosimetry in 177 Lu radionuclide therapy and is warranted in personalized PRRT.
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) | 0,000 | 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 ».