Magnetic resonance imaging in traumatic brain injury: a survey of clinical practitioners’ experiences and views on current practice and obstacles
Notice bibliographique
Résumé
INTRODUCTION: Magnetic resonance imaging (MRI) has revolutionized our capacity to examine brain alterations in traumatic brain injury (TBI). However, little is known about the level of implementation of MRI techniques in clinical practice in TBI and associated obstacles. METHODS: A diverse set of health professionals completed 19 multiple choice and free text survey questions. RESULTS: Of the 81 respondents, 73.4% reported that they acquire/order MRI scans in TBI patients, and 66% indicated they would prefer MRI be more often used with this cohort. The greatest impediment for MRI usage was scanner availability (57.1%). Less than half of respondents (42.1%) indicated that they perform advanced MRI analysis. Factors such as dedicated experts within the team (44.4%) and user-friendly MRI analysis tools (40.7%), were listed as potentially helpful to implement advanced MRI analyses in clinical practice. CONCLUSION: Results suggest a wide variability in the purpose, timing, and composition of the scanning protocol of clinical MRI after TBI. Three recommendations are described to broaden implementation of MRI in clinical practice in TBI: 1) development of a standardized multimodal MRI protocol; 2) future directions for the use of advanced MRI analyses; 3) use of low-field MRI to overcome technical/practical issues with high-field MRI.
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 | 0,009 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».