Bleiben Sie auf dem Laufenden: Die Transformation der Radiologie dank strukturierter Befundung und datengesteuerter Ansätze

Erkundigen Sie sich über unsere Aktivitäten, Projekte und Produkt-Updates, informieren Sie sich über die neuesten Branchennachrichten, und erfahren Sie, was uns als Unternehmen und als Team ausmacht.

[Translate to German:]

iRECIST-Kriterien am Universitätsklinikum in Tübingen bereits im Einsatz

Kurz nach Veröffentlichung der neuen iRECIST-Kriterien (The Lancet Oncology, März 2017) wird damit am Universitätsklinikum in Tübingen bereits in mint Lesion gearbeitet. Die Leitlinie wird zur Therapiebeurteilung bei Immuntherapien eingesetzt, um die besonderen Wirkmechanismen dieser Therapien zu berücksichtigen.

Herr PD Dr. Bernhard Klumpp verantwortet die radiologische Studienauswertung in Tübingen und ist einer der ersten, der das neue Befundprofil verwendet. „Die Möglichkeit einen existierenden Befundverlauf in einen iRECIST-Verlauf zu übertragen ist natürlich sensationell. Dabei muss keine Messung erneut vorgenommen werden, man nimmt lediglich eine andere Perspektive in der Betrachtung des Verlaufes ein. Darüber hinaus wird in der Anwendung auf die Besonderheiten von iRECIST hingewiesen“, so Dr. Klumpp.

Sämtliche neue Leitlinien werden den Mint-Anwender zur Verfügung gestellt – das gilt für routinebezogene Befundprofile genauso wie für Kriterien, die im Rahmen von klinischen Studien gefordert sind.

Strukturierte Befundung Standardisierte Befundungen iRECIST

Ähnliche Inhalte

Ähnliche Inhalte

Puzzleteile verbinden sich zu einem interoperablen System

FHIR im Gesundheitswesen: Das Potenzial der Interoperabilität

Im Gesundheitswesen ist die Interoperabilität ein wichtiger Wegbereiter: Interoperable Systeme ermöglichen die nahtlose Kommunikation von…

Drei wichtigen Sequenzen (FLAIR, T2, T1 mit Kontrastmittel) in der Glioblastom-Bewertung

Optimierung der Bildgebung bei Glioblastomen: Verbesserung der MRT-Effizienz und -Qualität durch Deep Learning

Diese Studie untersucht den Einsatz von Deep Learning (DL) zur Optimierung von MRT-Protokollen bei Patient:innen mit Glioblastomen, mit dem Ziel, die…

Drei wichtigen Sequenzen (FLAIR, T2, T1 mit Kontrastmittel) in der Glioblastom-Bewertung

Universitätsklinikum Tübingen: Fortschritte in der Effizienz von MRT bei der Behandlung von Glioblastomen durch Deep Learning

Diese Studie untersucht den Einsatz von Deep Learning (DL) zur Optimierung von MRT-Protokollen für Patient:innen mit Glioblastomen. Glioblastome, die…