A call to action: improving access to cardiac MRI for diagnosis of immune checkpoint inhibitor related myocarditis in low and middle income countries
Notice bibliographique
Résumé
Immune checkpoint inhibitor (ICI) therapy is a rapidly expanding pillar of cancer treatment, but it carries the risk of immune-related adverse events. Among the most fatal is ICI-related myocarditis (ICIRM). Cardiac magnetic resonance (CMR) imaging is the non-invasive current gold standard for diagnosis, with significant disparities regarding availability and utilisation. The vast majority of ICIRM cases are reported in high-income countries (HICs), reflecting not only patterns of ICI use, but also a profound diagnostic gap in low- and middle-income countries (LMICs). LMICs face barriers to CMR access, including a stark deficit of MRI scanners, with approximately 1 scanner per million people in LMICs versus 26 per million people in HICs, prohibitive costs, and a critical shortage of trained radiologists and cardiologists. The inequity means that as ICI therapy becomes increasingly accessible worldwide, patients in resource-limited settings will be at a high-risk of undiagnosed and untreated ICIRM. Our paper issues a call to address this critical healthcare disparity. To improve CMR access for ICIRM diagnosis in LMICs, a multi-pronged strategy is imperative - Governmental support and policy change to prioritise infrastructure investment and integrate CMR into national health strategies; targeted educational programmes, such as the SWiM and 'train the trainer' initiatives, to build local expertise in CMR acquisition and interpretation; adoption of technological innovations, including cost-effective rapid CMR protocols and artificial intelligence (AI) tools that can reduce scan times.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».