Climate resilient and environmentally sustainable radiology: a framework for implementation
Notice bibliographique
Résumé
Climate change adversely impacts human health and transformations in our approach to work are needed to build environmentally sustainable and climate resilient radiology systems. Radiology practices must reduce greenhouse gas emissions generated in the delivery of care while simultaneously building infrastructure and processes to anticipate, respond to, and recover from climate-related environmental events. The purpose of this review is to highlight the links between climate change, human health, and radiology; discuss mitigation, adaptation, and response approaches; describe opportunities to leverage existing knowledge such as pandemic planning and supply chain management; and develop a radiology resilience checklist to assess vulnerabilities and inform actions necessary to achieve environmentally sustainable and climate resilient practices. The proposed framework is based on 5 pillars of climate resilience capacity-threshold, coping, recovery, adaptive, and transformative. Key actions include increasing awareness of the health impacts of climate change, optimizing infrastructure, improving supply chain management, reducing energy use, and addressing health disparities through collaboration with stakeholders. These strategies are needed to reduce the environmental impact radiology service delivery, prepare for and minimize the effects of climate change on imaging departments, and build capacity to recover quickly from climate-related environmental impacts, ultimately improving planetary health and human well-being.
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 | 0,027 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,010 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,009 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».