Comparison of Virtual Dose Simulator and K-Factor Methods for Effective Dose Assessment in Thoracic CT
Notice bibliographique
Résumé
Rationale and Objective: Medical imaging, particularly computed tomography (CT), is the largest man-made contributor to collective radiation exposure. This study compares methods for assessing CT radiation dose, focusing on thoracic examinations. Population investigated: We retrospectively analyzed 3956 non-contrast thoracic CT exams from 1553 females (mean age 70 ± 12 years) and 2403 males (mean age 69 ± 12 years). Methods: Data were acquired using a Siemens Somatom Force CT-Scanner (installed in 2015). Exposure parameters and patient somatic data were recorded and used as inputs for the Virtual Dose Simulator (VDS), which served as the gold standard for effective dose (EDref) measurement. Additionally, ED was calculated using two ICRP-103 K-factor methods: Shrimpton et al. (EDshr) and Romanyukha et al. (EDrom). Results: Regression analysis demonstrated strong linear relationships between EDref and both weight and BMI (R2 ≥ 0.84), with EDref values ranging from 1.55 to 4.59 mSv. Even stronger linear relationships were observed between EDref and CT scanner tube current, particularly for women (R2 = 0.93) and men (R2 = 0.90). Similar trends emerged for dose-length product (DLP), which showed high correlations for both women (R2 = 0.95) and men (R2 = 0.94). Compared to VDS, EDrom underestimated women’s doses by 10% and slightly overestimated men’s doses by 1%, while EDshr underestimated the effective dose by 18% for women and 9% for men. Conclusion: This study demonstrates that K-factor methods provide a simple, efficient, and clinically practical approach for both individual cumulative dose monitoring (critical for patients requiring repeated imaging) and population-level dose assessment (essential for epidemiological risk evaluation). The high reliability of K-factor-based estimates, as demonstrated in this work, underscores their potential for integration into clinical practice to enhance dose optimization and patient safety.
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 | 0,007 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».