Enhancing Dementia Imaging in Low‐and‐Middle Income Countries Through Training of Skilled MRI Personnel
Notice bibliographique
Résumé
BACKGROUND: In tandem with the ever-increasing aging population in low- and middle- income countries (LMICs), the burden of dementia is rising across LMICs. Magnetic resonance imaging (MRI) is essential in diagnosis to evaluate different dementia subtypes. However, most LMICs have limited access to MRI and lack trained MRI personnel to make accurate diagnoses. Here, we provide update on the Scan With Me (SWiM) training program [1] aimed at upskilling MRI radiographers from LMICs to optimize MRI acquisition on their limited infrastructure and produce high-quality images including advanced dementia MRI techniques. METHOD: SWiM is a free train-the-trainer capacity-building initiative of the Consortium for Advancement of MRI Education and Research in Africa (CAMERA). SWiM implements RAD-AID's Teach-Try-Use strategy, which combines virtual learning resources, live expert case-based lectures, and hands-on vendor-led practical scanning sessions to train a team of radiographers who work together as a network to enhance their skills and collectively train others [2]. The curriculum (Figure 1) guides participants from basic to advanced brain imaging over 8 weeks. Two cases of patients with dementia, simulated from LMIC published case reports were used for as capstone projects. This guided participants to develop brain imaging protocols tailored from standards (e.g., ADNI) and optimized on their scanners for dementia imaging. RESULT: The second program ran from August to September 2024, with special focus on dementia imaging and hands-on imaging sessions at 5 clinics in Kenya and Nigeria, and one trainer site in Chile. 96 radiographers from 29 imaging facilities in 18 LMIC countries received 70 hours of specialized training, observerships, and peer-to-peer engagements (Figure 2). Basic to advanced MRI techniques adapted from ADNI were acquired from the two African sites using optimized protocols (Figure 3). The LMIC-optimized scan protocols from participants are being curated and will be shared openly on protocols.io for others to use. CONCLUSION: SWiM aims to establish a collaborative network of experts in imaging centers in LMICs, enabling them to collect robust datasets that can inform clinical care and support the development of imaging tools for advancing prevention and treatment strategies. [1] event.fourwaves.com/swim [2] Mumuni AN, et al.,. J Am Coll Radiol. 2024 21(8):1222-1234.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,004 |
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 ».