Application of the defect distribution index to functional lung MRI of pediatric cystic fibrosis lung disease and controls
Notice bibliographique
Résumé
Introduction Functional magnetic resonance imaging (MRI) of the lung usually assesses lung impairment as ventilation defect percentage (VDP). However, VDP only reflects the overall burden of disease and does not characterize the regional distribution (i.e. pattern) of defects. The defect distribution index (DDI) is a metric which shows quantitatively how clustered versus scattered defects are with a higher DDI indicating more clustered defects. Aim To assess the applicability and validity of the DDI to 129 Xe-MRI and PREFUL-MRI of CF lung disease. Methods The DDI algorithm was applied to fractional ventilation maps previously acquired with 129 Xe-MRI and PREFUL-MRI of 37 children with CF and 13 healthy controls. Results The calculation of DDI was feasible for all MRI data. DDI was significantly higher in patients with CF compared to healthy controls (mean difference [95 % CI] 129 Xe-MRI DDI 60 %mean -1.94 [-2.86 – -1.02], p=0.0001), strongly correlated with other functional outcomes such as VDP and the lung clearance index, and decreased significantly in CF patients with pulmonary exacerbations after antibiotic treatment (e.g. 129 Xe-MRI DDI 60 % mean –1.03 [-0.44 – -1.63], p=0.002). Conclusion The DDI is applicable to functional 129 Xe-MRI and PREFUL-MRI data providing complementary information to VDP by assessing defect distribution rather than defect size. It shows meaningful clinimetric properties and improves with treatment. The DDI shows potential as a parameter for comprehensive monitoring of CF lung disease and treatment.
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 ».