FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W2980456048> ?p ?o ?g. }

• W2980456048 endingPage "186" @default.
• W2980456048 startingPage "180" @default.
• W2980456048 abstract "In this review we summarise over 15 years of research and development around the prediction of whole bones strength from Computed Tomography data, with particular reference to the prediction of the risk of hip fracture in osteoporotic patients. We briefly discuss the theoretical background, and then provide a summary of the laboratory and clinical validation of these modelling technologies. We then discuss the three current clinical applications: in clinical research, in clinical trials, and in clinical practice. On average the strength predicted with finite element models (QCT-FE) based on computed tomography is 7% more accurate that that predicted with areal bone mineral density from Dual X-ray Absorptiometry (DXA-aBMD), the current standard of care, both in term of laboratory validation on cadaver bones and in terms of stratification accuracy on clinical cohorts of fractured and non-fractured women. This improved accuracy makes QCT-FE superior to DXA-aBMD in clinical research and in clinical trials, where the its use can cut in half the number of patients to be enrolled to get the same statistical power. For routine clinical use to decide who to treat with antiresorptive drugs, QCT-FE is more accurate but less cost-effective than DXA-aBMD, at least when the decision is on first line treatment like bisphosphonates. But the ability to predict skeletal strength from medical imaging is now opening a number of other applications, for example in paediatrics and oncology. Dans cette revue, nous résumons plus de 15 ans de recherche et de développement autour de la prédiction de la résistance des os entiers à partir des données de la tomodensitométrie (CT), avec une référence particulière à la prédiction du risque de fracture de la hanche chez les patients ostéoporotiques. Nous discutons brièvement du contexte théorique, puis nous fournissons un résumé de la validation en laboratoire et clinique de ces technologies de modélisation. Nous discutons ensuite des trois applications cliniques actuelles : en recherche clinique, en essais cliniques et en pratique clinique. En moyenne, la force prévue par les modèles d’éléments finis (QCT-FE) basés sur la tomographie par ordinateur est 7 % plus précise que celle prévue par la densité minérale osseuse surfacique de l’absorbtiométrie biphotonique (DXA-aBMD), la norme clinique actuelle, tant en termes de validation en laboratoire sur les os de cadavres que de stratification sur des cohortes cliniques de femmes fracturées et non fracturées. Cette précision améliorée semble indiquer que la QCT-FE puisse être la supérieure à la DXA-aBMD en recherche clinique et dans les essais cliniques où son utilisation peut réduire de moitié le nombre de patients à recruter pour obtenir la même puissance statistique. Pour un usage clinique de routine afin de décider qui traiter avec des médicaments antirésorptifs, la QCT-FE est plus précise mais moins rentable que la DXA-aBMD, du moins lorsque la décision est sur le traitement de première ligne comme les bisphosphonates. Mais la capacité de prédire la résistance squelettique à partir de l’imagerie médicale ouvre maintenant un certain nombre d’autres applications, par exemple en pédiatrie et en oncologie." @default.
• W2980456048 created "2019-10-25" @default.
• W2980456048 creator A5086585880 @default.
• W2980456048 date "2019-12-01" @default.
• W2980456048 modified "2023-10-16" @default.
• W2980456048 title "Predicting bone strength from CT data: Clinical applications" @default.
• W2980456048 cites W1901463649 @default.
• W2980456048 cites W1970001479 @default.
• W2980456048 cites W1982860294 @default.
• W2980456048 cites W1983023120 @default.
• W2980456048 cites W1992896819 @default.
• W2980456048 cites W1994486302 @default.
• W2980456048 cites W1997502369 @default.
• W2980456048 cites W1997680443 @default.
• W2980456048 cites W2007752694 @default.
• W2980456048 cites W2017898363 @default.
• W2980456048 cites W2022504758 @default.
• W2980456048 cites W2023878636 @default.
• W2980456048 cites W2024145588 @default.
• W2980456048 cites W2033171885 @default.
• W2980456048 cites W2039987391 @default.
• W2980456048 cites W2044064269 @default.
• W2980456048 cites W2050666211 @default.
• W2980456048 cites W2060868033 @default.
• W2980456048 cites W2104271528 @default.
• W2980456048 cites W2110396808 @default.
• W2980456048 cites W2121337876 @default.
• W2980456048 cites W2126952448 @default.
• W2980456048 cites W2132017284 @default.
• W2980456048 cites W2139749222 @default.
• W2980456048 cites W2145352132 @default.
• W2980456048 cites W2169559303 @default.
• W2980456048 cites W2309903891 @default.
• W2980456048 cites W2323970633 @default.
• W2980456048 cites W2337334960 @default.
• W2980456048 cites W2339449917 @default.
• W2980456048 cites W2409180377 @default.
• W2980456048 cites W2556361189 @default.
• W2980456048 cites W2625355327 @default.
• W2980456048 cites W2724509459 @default.
• W2980456048 cites W2793085910 @default.
• W2980456048 cites W2793246413 @default.
• W2980456048 cites W2797796709 @default.
• W2980456048 cites W2800041373 @default.
• W2980456048 cites W2898277236 @default.
• W2980456048 cites W2914973027 @default.
• W2980456048 doi "https://doi.org/10.1016/j.morpho.2019.09.007" @default.
• W2980456048 hasPubMedId "https://pubmed.ncbi.nlm.nih.gov/31630964" @default.
• W2980456048 hasPublicationYear "2019" @default.
• W2980456048 type Work @default.
• W2980456048 sameAs 2980456048 @default.
• W2980456048 citedByCount "7" @default.
• W2980456048 countsByYear W29804560482020 @default.
• W2980456048 countsByYear W29804560482021 @default.
• W2980456048 countsByYear W29804560482022 @default.
• W2980456048 countsByYear W29804560482023 @default.
• W2980456048 crossrefType "journal-article" @default.
• W2980456048 hasAuthorship W2980456048A5086585880 @default.
• W2980456048 hasConcept C126322002 @default.
• W2980456048 hasConcept C126838900 @default.
• W2980456048 hasConcept C1862650 @default.
• W2980456048 hasConcept C19527891 @default.
• W2980456048 hasConcept C2776541429 @default.
• W2980456048 hasConcept C2776886416 @default.
• W2980456048 hasConcept C2777425516 @default.
• W2980456048 hasConcept C2779329777 @default.
• W2980456048 hasConcept C2779974597 @default.
• W2980456048 hasConcept C2989005 @default.
• W2980456048 hasConcept C535046627 @default.
• W2980456048 hasConcept C71924100 @default.
• W2980456048 hasConceptScore W2980456048C126322002 @default.
• W2980456048 hasConceptScore W2980456048C126838900 @default.
• W2980456048 hasConceptScore W2980456048C1862650 @default.
• W2980456048 hasConceptScore W2980456048C19527891 @default.
• W2980456048 hasConceptScore W2980456048C2776541429 @default.
• W2980456048 hasConceptScore W2980456048C2776886416 @default.
• W2980456048 hasConceptScore W2980456048C2777425516 @default.
• W2980456048 hasConceptScore W2980456048C2779329777 @default.
• W2980456048 hasConceptScore W2980456048C2779974597 @default.
• W2980456048 hasConceptScore W2980456048C2989005 @default.
• W2980456048 hasConceptScore W2980456048C535046627 @default.
• W2980456048 hasConceptScore W2980456048C71924100 @default.
• W2980456048 hasIssue "343" @default.
• W2980456048 hasLocation W29804560481 @default.
• W2980456048 hasLocation W29804560482 @default.
• W2980456048 hasOpenAccess W2980456048 @default.
• W2980456048 hasPrimaryLocation W29804560481 @default.
• W2980456048 hasRelatedWork W2051948937 @default.
• W2980456048 hasRelatedWork W2092013139 @default.
• W2980456048 hasRelatedWork W2093936017 @default.
• W2980456048 hasRelatedWork W2359663220 @default.
• W2980456048 hasRelatedWork W2382448500 @default.
• W2980456048 hasRelatedWork W2394357823 @default.
• W2980456048 hasRelatedWork W2396850148 @default.
• W2980456048 hasRelatedWork W2417780178 @default.
• W2980456048 hasRelatedWork W3030202556 @default.
• W2980456048 hasRelatedWork W3092347807 @default.
• W2980456048 hasVolume "103" @default.

• next