Determining agreement between preoperative computed tomography lymphography and indocyanine green near infrared fluorescence intraoperative imaging for sentinel lymph node mapping in dogs with oral tumours
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
Lymphatic drainage from the head and neck is variable with significant crossover, therefore sentinel lymph node (SLN) mapping can help ensure the appropriate lymph node(s) are sampled. To improve sensitivity, SLN mapping utilizing multiple modalities and a combination of preoperative computed tomography lymphography (CTL) and intraoperative near infrared fluorescence imaging (NIRF) with indocyanine green (ICG) +/- methylene blue (MB) dye has been suggested. The aim of this study was to describe a method for intraoperative ICG lymphography and determine agreement for SLN detection using preoperative CTL and intraoperative ICG NIRF + MB lymphography (IOL) in dogs with oral tumours. Fourteen client-owned dogs were included. All dogs had preoperative CTL with iodinated contrast and intraoperative IOL with an exoscope. Lymph nodes with CTL contrast-enhancement, blue staining or fluorescence were considered sentinel. The overall SLN identification rate was 100% when CTL and IOL were combined. A total of 57 SLNs were identified. Indocyanine green NIRF identified a greater proportion of SLNs (91%; 52/57) compared with MB (50.8%; 29/57) and CTL (42.1%; 24/57). Eighteen SLNs were identified by all three modalities with a fair level of agreement using Fleiss kappa. These findings suggest a combination of preoperative CTL with intraoperative SLN mapping techniques may greatly improve the ability to accurately detect the SLN in dogs with oral tumours.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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