The Use of Thoracic Ultrasound to Predict Transudative and Exudative Pleural Effusion
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
Objectives: Pleural effusion is a common reason for hospital admission with thoracentesis often required to diagnose an underlying cause. This study aimed to determine if the imaging characteristics of TUS effectively differentiates between transudative and exudative pleural fluid. Methods: Patients undergoing TUS with pleural fluid analysis were retrospectively identified at a single center between July 2016 and March 2018. TUS images were interpreted and characterized by established criteria. We determined diagnostic performance characteristics of image criteria to distinguish transudative from exudative pleural effusions. Results: 166 patients underwent thoracentesis for fluid analysis of which 48% had a known malignancy. 74% of the pleural effusions were characterized as exudative by Light’s Criteria. TUS demonstrated anechoic effusions in 118 (71%) of samples. The presences of septations on TUS was highly specific in for exudative effusions (95.2%) with high positive predictive values (89.5%) and likelihood ratio (2.85). No TUS characteristics, even when adjusting for patient characteristics such as heart failure or malignancy, were sensitive for exudative effusions. Conclusions: Among our cohort, anechoic images did not allow reliable differentiation between transudative and exudative fluid. Presence of complex septated or complex homogenous appearance was high specific and predictive of exudative fluid.
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 | 0,001 |
| 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