Enhancing Environmental Sustainability in Diagnostic Radiology: Focus on CT, MRI, and Nuclear Medicine
Notice bibliographique
Résumé
Medical imaging, including MRI, CT, and nuclear medicine play a critical role in healthcare but also imposes significant environmental burdens due to high energy consumption and waste production. Of the diagnostic modalities, MRI is the most energy-intensive modality, consuming up to 60 kWh per scan, followed by CT, which ranges from 1.0 to 11.4 kWh per scan. Lifecycle analyses show that operational energy use far exceeds manufacturing emissions, highlighting the need for energy-saving strategies. Implementing standby and power-off modes, optimizing scan protocols, and using AI-driven efficiency improvements can significantly reduce unnecessary energy use. Additionally, sustainable infrastructure, such as variable-flow cooling systems and strategic equipment placement, can further minimize environmental impact. Nuclear medicine, while relatively lower in energy consumption, relies on energy-intensive radioisotope production, often requiring fossil fuel-powered reactors and extensive transport logistics. Contrast agents in MRI and CT pose contamination risks in wastewater, as they are inadequately removed via conventional treatment plants methods. This results in the accumulation of gadolinium and iodinated byproducts in drinking water sources, posing potential human and ecological risks. Nuclear medicine radioisotopes, including Tc-99, also contribute to long-term contamination concerns. Strategies to mitigate these impacts include urine recycling, contrast separation, and advanced wastewater treatment. Sustainable practices in medical imaging require a multi-pronged approach, combining operational efficiency, renewable energy adoption, and stricter waste management protocols. Future efforts may also focus on promoting low-field MRI, AI-driven scan optimization, and alternative contrast agents, ensuring that radiology departments balance diagnostic efficacy with environmental responsibility.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».