Notice bibliographique
Résumé
CT is an imaging technique that uses X-rays, sensitive radiation detectors, and computer analysis to produce cross-sectional images to detect abnormalities in areas of the body. CT was reported to have the largest demand in oncology (24%), followed by neurology (16.5%) and hepatobiliary (14%) use. Applications for CT continue to expand to new clinical indications and therapeutic areas. Five hundred and sixty CT units were identified by the CMII in its 2022–2023 national survey, with all provinces and territories reporting CT capacity. Most sites are publicly funded hospitals located in urban settings. Canada has an average of 14 CT units per million people. The greatest density of units per million people is in Newfoundland and Labrador, New Brunswick, Yukon, Northwest Territories and Nunavut. Canada is positioned in the bottom 15% of OECD countries in units per million population and the top 45% of OECD countries for average volume of publicly funded CT exams per1,000 population. Approximately 6.4 million publicly funded CT examinations were performed in the 2022–2023 fiscal year. This represents a national average of 160.2 exams per 1,000 people, an increase of 9% since 2015. The average age of CT equipment in Canada is 8.2 years; 29.8% of CT units are 5 years old or newer, 36.7% are 6 to 10 years old, and 33.4% are more than 10 years old. The adoption and use of radiation safety strategies are increasing in Canada. An increasing number of CT units are now equipped with dose-management controls and patient dose recording features. Approximately 30% of CT units are reported to have dual-target imaging. CT units operate an average of 14 hours per day. Approximately 80% of sites reported CT operation on weekends and 40% of sites reported CT operation 24 hours a day.
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 | 0,001 | 0,001 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».