Notice bibliographique
Résumé
La prise en charge thérapeutique des tumeurs rénales a considérablement évolué ces dernières années avec l’avènement de traitements mini-invasifs (comme la radiofréquence percutanée) qui optimisent l’épargne néphronique, améliore le confort du patient avec une efficacité oncologique comparable aux traitements chirurgicaux de référence. La prochaine étape serait de proposer des traitements transcutanés aussi performants avec une morbi-mortalité optimisée. L’objectif des travaux réalisés au LIIE du CERIMED (AMU) et au CRCHUM (Université de Montréal) était de développer une alternative à la radiofréquence rénale percutanée que nous utilisons en pratique clinique à Marseille depuis plus de 10 ans et qui a fait ses preuves. Cette alternative doit permettre de traiter des masses rénales avec un niveau d’efficacité et un taux de complications au minimum identique à la RFA, par application transcutanée d’agents physiques sans abord percutané (projet KiTT). Cela passe par la mise au point d’une technique de détection en temps réel de la masse rénale. Nous avons pu développer un algorithme de repérage fiable qui doit encore être optimisé (rapidité de calcul) et être validé sur un modèle qui n’est pas encore disponible. Les travaux d’optimisation et de validation des algorithmes de segmentation, de fonction de mérite de corrélation croisée associée à la fonction d’optimisation Simplex, sont en cours dans le cadre d’une collaboration internationale franco-canadienne au LIIE et au LIO. Même si nous n’avons pas encore la possibilité de proposer ce type de traitement, nos travaux permettent de s’en approcher pour pouvoir les proposer dans les prochaines années.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».