Assessment of renal perfusion with 82-rubidium PET in patients with normal and abnormal renal function
Notice bibliographique
Résumé
BACKGROUND: Noninvasive measurement of renal blood flow (RBF) and renal vascular resistance (RVR) is challenging, yet critical in renal pathologies. This study evaluates the correlation between serum renal function markers and RBF/RVR assessed using rubidium PET. METHODS: Dynamic images from 53 patients who underwent rubidium PET for nonrenal indications were analyzed. RBF was determined using a one-compartment model, and RVR was calculated by dividing mean arterial pressure by RBF. RESULTS: The study included 51 patients (31 females and 20 males). Among them, 35 had normal renal function [estimated glomerular filtration rate (eGFR) ≥60 ml/min/1.73 m 2 ], and 16 had abnormal renal function (eGFR <60 ml/min/1.73 m 2 ). Patients with normal renal function had significantly higher RBF [median (interquartile range): 443 (297-722) vs 173 (108-380) ml/min/100 g, P = 0.022] and lower RVR [19.1 (12.4-27.2) vs 49.6 (24.4-85.7) mmHg×min×g/ml, P = 0.0011) compared with those with abnormal renal function. There was a moderate correlation between RBF and eGFR ( r = 0.62, P < 0.0001) and between RVR and eGFR ( r = -0.59, P < 0.0001) in both groups. Among patients with normal renal function, RBF was negatively correlated with age ( r = -0.51, P = 0.0017) but there was no correlation among patients with abnormal renal function ( r = 0.21, P = 0.44). CONCLUSION: PET-measured RBF and RVR correlate with renal function markers and differ significantly by renal function status. Further studies are needed to validate rubidium PET's precision and clinical applicability.
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 ».