Wissensportal für Fachkräfte der medizinischen Bildgebung: Radiologie durch strukturierte Befundung, datenbasierte Ansätze und multizentrische Forschung weiterentwickeln

Erhalten Sie Zugang zu wegweisender Forschung, innovativen Fallbeispielen und gemeinsamen Projekten, die die Radiologie weltweit vorantreiben. Entdecken Sie unsere Aktivitäten und Produktneuigkeiten und lernen Sie uns als Unternehmen und Team kennen.

Eine Person schaut sich MRI und CT Scans am Computer an

Studie entdeckt Überdiagnose progressiver Krebserkrankungen bei klinischen Routineuntersuchungen

Eine kürzlich durchgeführte retrospektive Studie unter der Leitung von Dr. Marilyn J. Siegel und ihrem Team an der Washington University School of Medicine in St. Louis hat ein kritisches Problem in der Krebsvorsorge ans Licht gebracht: Klinische Routineuntersuchungen neigen im Vergleich zu RECIST 1.1-Interpretationen eher dazu, eine progressive Erkrankung zu überdiagnostizieren. Diese Diskrepanz hat erhebliche Auswirkungen und kann dazu führen, dass wirksame Behandlungen für Teilnehmer an klinischen Studien und Patienten in der Standardversorgung vorzeitig abgebrochen werden.

In dieser Studie wurde die Software mint Lesion für die kriterienbasierten Auswertungen, die Bestimmung der Gesamtbewertung des Ansprechens nach RECIST 1.1-Kriterien und die Erstellung strukturierter Befundberichte für den Prüfarzt der klinischen Studie eingesetzt.

Wenn Sie mehr über die Erkenntnisse der Studie zu den abweichenden Beurteilungen und die vorgeschlagenen Schritte zur Entschärfung dieses Problems erfahren möchten, klicken Sie hier.

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…