Prediction of whole body composition utilizing cross-sectional abdominal imaging in pediatrics
Notice bibliographique
Résumé
Abstract Background: Although body composition is an important determinant of pediatric health outcomes, we lack tools to routinely assess it in clinical practice. We define models to predict whole body skeletal muscle and fat composition, as measured by dual X-ray absorptiometry (DXA) or whole body magnetic resonance imaging (MRI), in pediatric oncology and healthy pediatric cohorts, respectively. Methods: Pediatric oncology patients (≥5 to ≤18 years) undergoing an abdominal CT were prospectively recruited for a concurrent study DXA scan. Cross-sectional areas of skeletal muscle and total adipose tissue at each lumbar vertebral level (L1-L5) were quantified and optimal linear regression models were defined. Whole body and cross-sectional MRI data from a previously recruited cohort of healthy children (≥5 to ≤18 years) was analyzed separately. Results: Eighty pediatric oncology patients (57% male; age range 5.1-18.4y) were included. Cross-sectional areas of skeletal muscle and total adipose tissue at lumbar vertebral levels (L1-L5) were correlated with whole body lean soft tissue mass (LSTM) ( R 2 =0.896-0.940) and fat mass (FM) ( R 2 =0.874-0.936) (p<0.001). Linear regression models were improved by the addition of height for prediction of LSTM (adjusted R 2 =0.946-0.971; p<0.001) and by the addition of height and sex (adjusted R 2 =0.930-0.953) (p<0.001)) for prediction of whole body FM. High correlation between lumbar cross-sectional tissue areas and whole body volumes of skeletal muscle and fat, as measured by whole body MRI, was confirmed in an independent cohort of 73 healthy children. Conclusion: Regression models can predict whole body skeletal muscle and fat in pediatric patients utilizing cross-sectional abdominal images.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».