Future of kidney imaging: Functional magnetic resonance imaging and kidney disease progression
Notice bibliographique
Résumé
INTRODUCTION: Chronic kidney disease (CKD) which is a common cause of death has an increasing trend, but there is no established approach for predicting CKD progression yet. Functional magnetic resonance imaging (fMRI) studies such as blood oxygenation level-dependent MRI (BOLD-MRI), diffusion-weighted MRI (DWI-MRI), diffusion-tensor MRI (DTI-MRI) and arterial spin labelling MRI (ASL-MRI) are rising methods for the assessment of kidney functions in native and transplanted kidneys as well as the estimation of CKD progression. METHODS: Systematic literature review was performed through the Embase (Elsevier), Cochrane Central Register of Controlled Trials (Wiley), PubMed/Medline and Web of Science databases, and studies investigating the role of fMRI methods assessing kidney functions in native and transplanted kidneys, as well as the value of fMRI methods to predict CKD progression, were included. Working mechanisms, advantages and limitations of the fMRI modalities were reviewed, and three studies investigating the role of fMRI studies in kidney functions were analysed. RESULTS AND CONCLUSION: BOLD-MRI signal was found to be inversely correlated with annual eGFR change, and DWI/ADC (apparent diffusion coefficient map) values were shown to be correlated with annual eGFR decline. fMRI methods which are currently used for other systems can be utilized to provide more detailed information about kidney functions, and doctors should be ready to interpret kidney MRIs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».