Towards non-invasive computational-mechanics and imaging-based diagnostic framework for personalized cardiology for coarctation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Coarctation of the aorta (COA) is a congenital narrowing of the proximal descending aorta. Although accurate and early diagnosis of COA hinges on blood flow quantification, proper diagnostic methods for COA are still lacking because fluid-dynamics methods that can be used for accurate flow quantification are not well developed yet. Most importantly, COA and the heart interact with each other and because the heart resides in a complex vascular network that imposes boundary conditions on its function, accurate diagnosis relies on quantifications of the global hemodynamics (heart-function metrics) as well as the local hemodynamics (detailed information of the blood flow dynamics in COA). In this study, to enable the development of new non-invasive methods that can quantify local and global hemodynamics for COA diagnosis, we developed an innovative fast computational-mechanics and imaging-based framework that uses Lattice Boltzmann method and lumped-parameter modeling that only need routine non-invasive clinical patient data. We used clinical data of patients with COA to validate the proposed framework and to demonstrate its abilities to provide new diagnostic analyses not possible with conventional diagnostic methods. We validated this framework against clinical cardiac catheterization data, calculations using the conventional finite-volume method and clinical Doppler echocardiographic measurements. The diagnostic information, that the framework can provide, is vitally needed to improve clinical outcomes, to assess patient risk and to plan treatment.
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.
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 | 0,003 |
| 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 découle