Environmental Sustainability and <scp>MRI</scp>: Challenges, Opportunities, and a Call for Action
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
The environmental impact of magnetic resonance imaging (MRI) has recently come into focus. This includes its enormous demand for electricity compared to other imaging modalities and contamination of water bodies with anthropogenic gadolinium related to contrast administration. Given the pressing threat of climate change, addressing these challenges to improve the environmental sustainability of MRI is imperative. The purpose of this review is to discuss the challenges, opportunities, and the need for action to reduce the environmental impact of MRI and prepare for the effects of climate change. The approaches outlined are categorized as strategies to reduce greenhouse gas (GHG) emissions from MRI during production and use phases, approaches to reduce the environmental impact of MRI including the preservation of finite resources, and development of adaption plans to prepare for the impact of climate change. Co-benefits of these strategies are emphasized including lower GHG emission and reduced cost along with improved heath and patient satisfaction. Although MRI is energy-intensive, there are many steps that can be taken now to improve the environmental sustainability of MRI and prepare for the effects of climate change. On-going research, technical development, and collaboration with industry partners are needed to achieve further reductions in MRI-related GHG emissions and to decrease the reliance on finite resources. LEVEL OF EVIDENCE: 5 TECHNICAL EFFICACY: Stage 6.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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