Autosomal Dominant Polycystic Kidney Disease: Role of Imaging in Diagnosis and Management
Notice bibliographique
Résumé
Autosomal dominant polycystic kidney disease (ADPKD) is the most common genetic kidney disorder with progressive renal function decline, and disease severity is determined based on the type of genetic mutation. The diagnosis is usually established at imaging, primarily at US, and is based on age-dependent criteria and the number of visible cysts. ADPKD is classified into class 1 (typical) and class 2 (atypical) according to the Mayo Clinic Imaging Classification (MCIC) system. Height-adjusted total kidney volume (TKV) has emerged as a predictor of future renal function decline and renal failure in ADPKD, and several methods can be used for estimation. MCIC class 1 ADPKD is further subdivided into five types based on height-adjusted TKV (A, B, C, D, and E). Patients with a larger height-adjusted TKV (ie, MCIC 1C–E) are at high risk for progression to end-stage renal disease and will potentially benefit from vasopressin receptor antagonists, which have been shown to reduce the rate of cyst growth and slow renal function decline. Other renal complications primarily relate to hemorrhage within cysts or cyst infections. Subtraction images are key for assessment of complex cysts when malignancy is suspected, as the presence of protein and blood can limit the assessment for an enhancing component. The radiologist has a central role in establishing a diagnosis, excluding mimics, identifying complications, assessing severity, and predicting future renal failure. Interventional radiologists play a therapeutic role in management of complications by cyst drainage, sclerotherapy, or embolization. © RSNA, 2022 Online supplemental material and the slide presentation from the RSNA Annual Meeting are available for this article.
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 ».