Cardiovascular Imaging, Climate Change, and Environmental Sustainability
Notice bibliographique
Résumé
Environmental exposures including poor air quality and extreme temperatures are exacerbated by climate change and are associated with adverse cardiovascular outcomes. Concomitantly, the delivery of health care generates substantial atmospheric greenhouse gas (GHG) emissions contributing to the climate crisis. Therefore, cardiac imaging teams must be aware not only of the adverse cardiovascular health effects of climate change, but also the downstream environmental ramifications of cardiovascular imaging. The purpose of this review is to highlight the impact of climate change on cardiovascular health, discuss the environmental impact of cardiovascular imaging, and describe opportunities to improve environmental sustainability of cardiac MRI, cardiac CT, echocardiography, cardiac nuclear imaging, and invasive cardiovascular imaging. Overarching strategies to improve environmental sustainability in cardiovascular imaging include prioritizing imaging tests with lower GHG emissions when more than one test is appropriate, reducing low-value imaging, and turning equipment off when not in use. Modality-specific opportunities include focused MRI protocols and low-field-strength applications, iodine contrast media recycling programs in cardiac CT, judicious use of US-enhancing agents in echocardiography, improved radiopharmaceutical procurement and waste management in nuclear cardiology, and use of reusable supplies in interventional suites. Finally, future directions and research are highlighted, including life cycle assessments over the lifespan of cardiac imaging equipment and the impact of artificial intelligence tools.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».