A retrospective analysis of paediatric medical imaging utilisation in Ireland, 2019-2023
Notice bibliographique
Résumé
INTRODUCTION: While longitudinal studies in the United States and Canada show increased use of non-ionising imaging and reduced paediatric CT, recent data on imaging trends in Europe are lacking. This study examines paediatric imaging trends from 2019 to 2023 in Ireland, including age-specific patterns and procedure frequencies. METHODS: A retrospective cohort analysis was conducted within Irish paediatric hospitals. Data extracted from the Radiology Information Systems, including examination counts for conventional X-ray (XR), computed tomography (CT), magnetic resonance imaging (MRI), ultrasound (US), nuclear medicine (NM), and fluoroscopically guided procedures in patients under 18 years. Examinations were categorised by modality, anatomical region, and age group. Annual imaging volumes and utilisation trends were assessed. RESULTS: A total of 634,770 examinations were performed: 73.7% XR, 12.4% US, 5.4% MRI, 4.4% CT, 3.4% fluoroscopy, and 0.63% NM. Ionising radiation was used in 82.2% of all examinations. Imaging volumes declined by 15.2% in 2020 due to the COVID-19 pandemic but recovered fully by 2022. From 2019 to 2023, CT (+20.3%), US (+16.5%), and MRI (+8.6%) showed the highest growth. XR and ultrasound were most common in infants, while CT and MRI showed a more uniform distribution, with brain imaging being the most frequent examination for both. CONCLUSIONS: This contemporary multi-centre analysis of paediatric imaging in Ireland demonstrates a sustained reliance on XR and US, increasing CT utilisation, underscoring the ongoing need for justification and radiation dose optimisation in paediatric practice. It also highlights the influence of the COVID-19 pandemic on imaging trends.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| 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 ».