Pub Date : 2025-01-06DOI: 10.1016/j.jidi.2024.07.004
F. Lafourcade , J.-N. Ravey , D. Brauge , F. Lapegue , N. Sans , M. Faruch-Bilfeld
Introduction
L’objectif de cet article est de proposer une aide pour la description d’un rachis traumatique en TDM.
Données récentes
Chez l’adulte, la TDM est l’examen de première intention. Les différentes classifications lésionnelles du rachis sont développées, selon l’étage atteint, avec une confrontation entre les descriptions historiques et modernes de l’AOSpine. Un compte rendu radiologique idéal est fourni avec six éléments clés. Un algorithme décisionnel est proposé pour définir la stabilité du rachis.
Conclusion
Cet article propose une aide utile au quotidien pour la description des atteintes traumatiques du rachis.
Introduction
The aim is to provide assistance in the description of a traumatic spine in CT.
Results
In adults, CT is the first-line exam. Various injury classifications of the spine are developed according to the affected level, with a comparison between historical and modern descriptions from AOSpine. An ideal radiological report is provided with 6 key elements. A decision-making algorithm is proposed to assess spinal stability.
Conclusion
This article offers practical guidance for the daily description of traumatic spine injuries.
{"title":"Vous saurez définitivement interpréter un rachis traumatique !","authors":"F. Lafourcade , J.-N. Ravey , D. Brauge , F. Lapegue , N. Sans , M. Faruch-Bilfeld","doi":"10.1016/j.jidi.2024.07.004","DOIUrl":"10.1016/j.jidi.2024.07.004","url":null,"abstract":"<div><h3>Introduction</h3><div>L’objectif de cet article est de proposer une aide pour la description d’un rachis traumatique en TDM.</div></div><div><h3>Données récentes</h3><div>Chez l’adulte, la TDM est l’examen de première intention. Les différentes classifications lésionnelles du rachis sont développées, selon l’étage atteint, avec une confrontation entre les descriptions historiques et modernes de l’AOSpine. Un compte rendu radiologique idéal est fourni avec six éléments clés. Un algorithme décisionnel est proposé pour définir la stabilité du rachis.</div></div><div><h3>Conclusion</h3><div>Cet article propose une aide utile au quotidien pour la description des atteintes traumatiques du rachis.</div></div><div><h3>Introduction</h3><div>The aim is to provide assistance in the description of a traumatic spine in CT.</div></div><div><h3>Results</h3><div>In adults, CT is the first-line exam. Various injury classifications of the spine are developed according to the affected level, with a comparison between historical and modern descriptions from AOSpine. An ideal radiological report is provided with 6 key elements. A decision-making algorithm is proposed to assess spinal stability.</div></div><div><h3>Conclusion</h3><div>This article offers practical guidance for the daily description of traumatic spine injuries.</div></div>","PeriodicalId":100747,"journal":{"name":"Journal d'imagerie diagnostique et interventionnelle","volume":"8 3","pages":"Pages 112-137"},"PeriodicalIF":0.0,"publicationDate":"2025-01-06","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"143950362","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2025-01-06DOI: 10.1016/j.jidi.2024.11.001
B. Bonnemain
{"title":"Le Journal de radiologie il y a cent ans : les congrès et la proximité avec la Belgique – Quelques biographies","authors":"B. Bonnemain","doi":"10.1016/j.jidi.2024.11.001","DOIUrl":"10.1016/j.jidi.2024.11.001","url":null,"abstract":"","PeriodicalId":100747,"journal":{"name":"Journal d'imagerie diagnostique et interventionnelle","volume":"8 2","pages":"Pages 100-102"},"PeriodicalIF":0.0,"publicationDate":"2025-01-06","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"143714428","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2025-01-06DOI: 10.1016/j.jidi.2024.10.003
V. Dumas , J.-P. Tasu
Introduction
Dans une recherche, les données manquantes ou valeurs manquantes correspondent au cas où aucune valeur n’est représentée pour une variable pour une observation donnée. Les données manquantes sont une réalité omniprésente dans la recherche médicale.
Messages principaux
Il existe trois types de données manquantes. Les données manquantes de manière complètement aléatoire (missing completely at random [MCAR]) sont indépendantes à la fois des variables observables et des paramètres d’intérêt non observables. Les données manquantes aléatoirement (missing at random [MAR]) ne sont pas aléatoires, mais elles peuvent être entièrement expliquées par des variables pour lesquelles il existe des informations complètes. Les données manquantes par omission prévisible (missing not at random [MNAR]) sont des données manquantes à cause de la valeur de la donnée. Il existe différents moyens de tenir compte de la présence de données manquantes : l’imputation simple et multiple, l’omission et l’analyse. Ces différentes méthodes sont discutées dans cet article.
Conclusion
La gestion appropriée des données manquantes est cruciale pour garantir des résultats fiables et des conclusions valides. Cet article détaille les différentes notions liées aux données manquantes.
Introduction
In research, missing data or missing values correspond to the case where no value is represented for a variable for a given observation. Missing data are an omnipresent reality in medical research.
Main message
There are 3 types of missing data. Missing Completely At Random (MCAR) are independent of both observable variables and unobservable parameters of interest. Missing at Random (MAR) data are not random but can be fully explained by variables where complete information exists. Missing Not At Random (MNAR) is data that are missing because of the value of the data. There are various ways of accounting for missing data: single and multiple imputations, omission and analysis. These different methods are discussed in this article.
Conclusion
Appropriate management of missing data is crucial to ensure reliable results and valid conclusions. This article details the various notions associated with missing data.
{"title":"Guide pratique pour comprendre les publications scientifiques. Épisode 9 – données manquantes","authors":"V. Dumas , J.-P. Tasu","doi":"10.1016/j.jidi.2024.10.003","DOIUrl":"10.1016/j.jidi.2024.10.003","url":null,"abstract":"<div><h3>Introduction</h3><div>Dans une recherche, les données manquantes ou valeurs manquantes correspondent au cas où aucune valeur n’est représentée pour une variable pour une observation donnée. Les données manquantes sont une réalité omniprésente dans la recherche médicale.</div></div><div><h3>Messages principaux</h3><div>Il existe trois types de données manquantes. Les données manquantes de manière complètement aléatoire (<em>missing completely at random</em> [MCAR]) sont indépendantes à la fois des variables observables et des paramètres d’intérêt non observables. Les données manquantes aléatoirement (<em>missing at random</em> [MAR]) ne sont pas aléatoires, mais elles peuvent être entièrement expliquées par des variables pour lesquelles il existe des informations complètes. Les données manquantes par omission prévisible (<em>missing not at random</em> [MNAR]) sont des données manquantes à cause de la valeur de la donnée. Il existe différents moyens de tenir compte de la présence de données manquantes : l’imputation simple et multiple, l’omission et l’analyse. Ces différentes méthodes sont discutées dans cet article.</div></div><div><h3>Conclusion</h3><div>La gestion appropriée des données manquantes est cruciale pour garantir des résultats fiables et des conclusions valides. Cet article détaille les différentes notions liées aux données manquantes.</div></div><div><h3>Introduction</h3><div>In research, missing data or missing values correspond to the case where no value is represented for a variable for a given observation. Missing data are an omnipresent reality in medical research.</div></div><div><h3>Main message</h3><div>There are 3 types of missing data. Missing Completely At Random (MCAR) are independent of both observable variables and unobservable parameters of interest. Missing at Random (MAR) data are not random but can be fully explained by variables where complete information exists. Missing Not At Random (MNAR) is data that are missing because of the value of the data. There are various ways of accounting for missing data: single and multiple imputations, omission and analysis. These different methods are discussed in this article.</div></div><div><h3>Conclusion</h3><div>Appropriate management of missing data is crucial to ensure reliable results and valid conclusions. This article details the various notions associated with missing data.</div></div>","PeriodicalId":100747,"journal":{"name":"Journal d'imagerie diagnostique et interventionnelle","volume":"8 2","pages":"Pages 51-53"},"PeriodicalIF":0.0,"publicationDate":"2025-01-06","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"143714415","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2025-01-06DOI: 10.1016/j.jidi.2024.10.004
V. Dumas , J.-P. Tasu
Introduction
En statistique, la régression recouvre plusieurs méthodes d’analyse permettant d’évaluer une variable à partir d’autres qui lui sont corrélées.
Messages principaux
La régression étudie la relation entre une variable, dite « à expliquer », et une ou plusieurs variables, dites « explicatives ». Elle permet d’estimer des coefficients qui quantifient la relation entre la variable à expliquer et le/la variable(s) explicatives(s). Lorsque la valeur explicative est continue, le modèle le plus fréquemment utilisé est la régression linéaire. Lorsque le modèle n’est pas linéaire, une régression approchée par des algorithmes itératifs peut être utilisée et on parle de régression non linéaire. Lorsque la variable est catégorielle, le modèle le plus fréquemment utilisé est la régression logistique. Lorsqu’on s’intéresse à des données de survie, le modèle le plus fréquemment utilisé est le modèle de Cox.
Conclusion
Il existe différentes méthodes de régression permettant d’évaluer la relation entre deux variables. Cet article présente succinctement ces différentes méthodes.
Introduction
Regression is a statistical technique used to study the relationship between one dependent variable and one or more independent variables.
Main messages
Regression is used to estimate coefficients that quantify the relationship between the dependent variable and the independent variable(s). When the dependent variable is continuous, the most frequently used model is linear regression; when it is categorical, the most frequently used model is logistic regression; when survival data are involved, the most frequently used model is the Cox regression model.
Conclusion
There are various regression methods for assessing the relationship between two variables. This article briefly presents these different methods.
{"title":"Guide pratique pour comprendre les publications scientifiques. Épisode 7 – Pourquoi et comment réaliser une régression pour expliquer une variable d’intérêt","authors":"V. Dumas , J.-P. Tasu","doi":"10.1016/j.jidi.2024.10.004","DOIUrl":"10.1016/j.jidi.2024.10.004","url":null,"abstract":"<div><h3>Introduction</h3><div>En statistique, la régression recouvre plusieurs méthodes d’analyse permettant d’évaluer une variable à partir d’autres qui lui sont corrélées.</div></div><div><h3>Messages principaux</h3><div>La régression étudie la relation entre une variable, dite « à expliquer », et une ou plusieurs variables, dites « explicatives ». Elle permet d’estimer des coefficients qui quantifient la relation entre la variable à expliquer et le/la variable(s) explicatives(s). Lorsque la valeur explicative est continue, le modèle le plus fréquemment utilisé est la régression linéaire. Lorsque le modèle n’est pas linéaire, une régression approchée par des algorithmes itératifs peut être utilisée et on parle de régression non linéaire. Lorsque la variable est catégorielle, le modèle le plus fréquemment utilisé est la régression logistique. Lorsqu’on s’intéresse à des données de survie, le modèle le plus fréquemment utilisé est le modèle de Cox.</div></div><div><h3>Conclusion</h3><div>Il existe différentes méthodes de régression permettant d’évaluer la relation entre deux variables. Cet article présente succinctement ces différentes méthodes.</div></div><div><h3>Introduction</h3><div>Regression is a statistical technique used to study the relationship between one dependent variable and one or more independent variables.</div></div><div><h3>Main messages</h3><div>Regression is used to estimate coefficients that quantify the relationship between the dependent variable and the independent variable(s). When the dependent variable is continuous, the most frequently used model is linear regression; when it is categorical, the most frequently used model is logistic regression; when survival data are involved, the most frequently used model is the Cox regression model.</div></div><div><h3>Conclusion</h3><div>There are various regression methods for assessing the relationship between two variables. This article briefly presents these different methods.</div></div>","PeriodicalId":100747,"journal":{"name":"Journal d'imagerie diagnostique et interventionnelle","volume":"8 2","pages":"Pages 54-56"},"PeriodicalIF":0.0,"publicationDate":"2025-01-06","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"143714416","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
扫码关注我们
求助内容：
应助结果提醒方式：
京公网安备 11010802042870号