Notice bibliographique
Résumé
<b>176</b> <b>Objectives: </b>Atherosclerosis is an inflammatory disease, and FDG PET can identify and quantify inflammation within atherosclerotic plaque(1-3). Calcification is a late stage of atherosclerosis which may have a stabilizing effect on the plaque. What is not known is the relationship between atherosclerotic plaque inflammation across different arterial territories. We examined this relationship using PET/CT imaging. <b>Methods: </b>43 asymptomatic patients with vascular disease underwent PET/CT imaging on a GE Discovery scanner. Aortic and carotid images were acquired 90 mins after 10 mCi FDG injection with CT used for coregistration and calcium scoring. To estimate FDG uptake into plaque, mean standardized uptake values (SUV) were calculated using ROI applied to the PET/CT images and corrected for blood FDG activity. <b>Results: </b>Mean age was 64 years. Mean SUV (standard deviation) values for each territory were as follows: ascending aorta 1.33 (0.42), arch 1.27 (0.41), descending aorta 1.18 (0.39), abdominal aorta 1.23 (0.39) and carotid 1.54 (0.25). Inflammation in one arterial territory was significantly correlated with inflammation in other vascular beds. This was true for all arteries except between the descending aorta with the carotid artery (Table – all values p<0.05 except in bold). Calcification and FDG uptake rarely overlapped, with a negative correlation noted in the ascending aorta between inflammation and calcification (r=-0.38, p<0.05). <b>Conclusions: </b>The systemic nature of atherosclerotic plaque inflammation is supported by the strong correlations between FDG uptake measured across multiple arterial territories. In the ascending aorta, the negative association between inflammation and calcification implies these may represent different stages of atherosclerotic disease.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».