Notice bibliographique
Résumé
MRI is a noninvasive imaging modality that uses powerful electromagnetic and radiofrequency fields to produce cross-sectional images of the body. MRI is primarily used for neurologic exams (28%), followed by musculoskeletal (23%) and oncology exams (17%). In total, 432 MRI units in 11 jurisdictions were identified by the Canadian Medical Imaging Inventory (CMII) in its 2022 to 2023 national survey. Most sites are publicly funded hospitals located in urban centres. Canada has an average of 10.8 MRI units per million people. The greatest density of units per million people is in Yukon, Quebec, and New Brunswick. Overall, 2,214,157 publicly funded MRI examinations were performed in the 2022–2023 fiscal year. This represents a national average of 55.6 exams per 1,000 people, an increase of 4.3% since 2019– Canada is positioned in the bottom 25% of Organisation for Economic Co-operation and Development (OECD) countries in units per million population and the bottom 50% of OECD countries for average volume of publicly funded MRI exams per 1,000 population. The average age of MRI equipment in Canada is 8.4 years; 62.8% of MRI units are 10 years old or newer, 23.3% are 11 to 15 years old, and 13.9% are more than 15 years old. On average, MRI units operate 15.3 hours per day and 97.4 hours per week. Overall, 76.0% of sites reported MRI operation on weekends and 17% of sites reported operating 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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,017 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,069 | 0,023 |
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 source (Gemma direct ou Codex distillé), 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 ».