Measuring hypoxia in chronic limb-threatening ischemia using 18F-FAZA kinetic modelling – a pilot study
Notice bibliographique
Résumé
Chronic limb- threatening ischemia (CLTI) is a serious condition that can lead to amputation, and in some cases, it can be associated with mortality. Current clinical evaluation methods have several limitations. Therefore, new methods to assess CLTI are needed to better understand and measure underlying causes and functionality, and hence potentially improve the treatment. In this study, we use dynamic 18F-FAZA PET-imaging as a method of measuring hypoxia as a marker associated with CLTI, on twelve patients identified with CLTI who underwent 18F-FAZA PET-MR imaging. The kinetic modelling goodness-of-fit metrics using AIF from independent limb with the irreversible-2TC3K model distinguished between index and contralateral limbs better than the reversable-2TC4K model. The Spearman correlation coefficients between the standardized uptake value (SUV) SUV-to-SUVmed ratio and the perfusion parameter, $$\:{K}_{1}$$ , was rs = -0.07 for index and rs = 0.22 for contralateral limbs. For the SUV-to-SUVmed ratio correlation with diffusion parameter, $$\:{\:k}_{3}$$ , it is found to be negative for both index (rs = -0.16) and contralateral (rs = -0.11). The kinetic modelling of 18F-FAZA dynamic PET-MR was able to differentiate between index and contralateral limbs in CLTI patients, and the diffusion metric from the kinetic modelling can potentially be used as a metric to measure hypoxia in CLTI. ClinicalTrials.gov, NCT04054609. Registered 20,190,611, https//clinicaltrials.gov/study/NCT04054609.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».