Peripheral Interventions Radiation Exposure Reduction Using a Sensor-Based Navigation System: A Proof-of-Concept Study
Notice bibliographique
Résumé
Background Intravascular catheter positioning is done with radiography imaging. Increasing evidence indicates excessive ionizing radiation exposure for patients and physicians during catheterization procedures, making solutions to reduce radiation exposure a priority. This study evaluated the feasibility and impact of using sensor-based magnetic navigation on (i) fluoroscopy time and (ii) positioning accuracy and safety of a peripheral angioplasty balloon catheter. Methods All patients (n = 10) underwent a balloon-positioning protocol using 2 navigation methods sequentially: (i) magnetic navigation with minimal fluoroscopy; (ii) fluoroscopic navigation. The navigation method order was randomized, and 4 consecutive placements per method were performed. A target vascular bifurcation was used as a fiduciary landmark for both methods to determine accuracy. Results Balloon placements were successful with both navigation methods in all subjects, and no adverse events occurred. Magnetic guidance led to significant reductions in fluoroscopy time (0.37 ± 1.5 vs 15.0 ± 8.1 seconds, P < 0.001) and dose (0.3 ± 1.2 vs 24.1 ± 23.8 μGy.m 2 , P < 0.01). The time duration for balloon alignment was similar for the 2 navigation methods (4.8 ± 1.4 vs 4.8 ± 2.3 seconds, P = 0.89), and the accuracy was almost identical (0.51 ± 0.41 vs 0.51 ± 0.32 mm, P = 0.97). Conclusions These results demonstrate the feasibility of using sensor-based magnetic guidance during simple peripheral interventional procedures; a significant reduction in ionizing radiation was achieved, with excellent positioning accuracy and safety. The clinical applications of magnetic guidance for device navigation during more complex percutaneous procedures 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 | 0,000 |
| 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 ».