Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

“Verpleegkundige aandachtspunten rond infectiepreventie bij oncologische patiënten met een poortkatheter” is een onderwerp dat ons voorgesteld werd door één van onze stageplaatsen. De afdeling gaf aan zelf een gevoel van kennistekort te hebben rond de poortkatheter. Risico op infectie werd aangehaald als een drempel om een poortkatheter aan te prikken. Daarom onderzochten we hoe de verpleegkundige op een doordachte manier kan handelen bij het aanprikken, verzorgen en verwijderen van een poortkatheter zodat het risico op infectie zo klein mogelijk is. Een poortkatheter is een volledig onderhuids geïmplanteerde centraal veneuze toegangspoort. De poortkatheter kent vele voordelen. Tot slot is het grote voordeel van de poortkatheter dat het een lange verblijfsduur heeft. Men spreekt in de literatuur over maanden tot jaren. Bij oncologische patiënten wordt deze vaak ingebracht ter ondersteuning van hun behandeling. Chemotherapie kan via deze weg toegediend worden. Oncologische patiënten hebben een verlaagde weerstand door hun ziekte, het gebruik van cytostatica en medicatie die de afweer onderdrukken. Daardoor zijn deze zorgvragers erg vatbaar voor micro-organisme van buitenaf. De poortkatheter is een rechtstreekse toegangsweg naar de bloedbaan waardoor er micro-organisme het lichaam snel kunnen binnendringen. Er zijn verschillende soorten infecties die met de poortkatheter te maken hebben en deze brengen verschillende gevolgen met zich mee. Zo zijn er de kathetergerelateerde lokale infecties, de kathetergerelateerde bacteriëmie en de kathetergerelateerde sepsis. Het onderscheid hierin kunnen maken is belangrijk in functie van de behandeling. Infectiepreventie is cruciaal op elk moment dat de verpleegkundige in contact komt met de poortkatheter. Alleen door bewust te zijn van het gevaar dat een infectie met zich kan voortbrengen voor de patiënt en hoe dit voorkomen kan worden, kan de poortkatheter veilig gebruikt worden.

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

An MRI scan allows the internal organs of a human to be imaged. A whole-body scan is necessarily taken in multiple segments. As a result, differences in brightness (signal intensity) arise between these parts. Radiologists who examine the images cannot view the entire body with the same quality in a single glance. Moreover, these differences make it difficult to compare the signal intensity of lesions in different segments, and lesions on the border of two segments can remain unnoticed. Therefore, it is important to equalize the overall intensity level of each image segment across the entire body (normalization). The current model used at UZ Leuven hospital achieves this normalization based on a statistical measure called the 95th percentile. This 95th percentile represents a sort of maximum intensity, where the highest values are ignored. However, this method does not always work well because this maximum can vary depending on the tissue composition in that segment. For example, water produces a strong signal and can be present in large amounts in the abdomen in certain diseases. When these high-intensity values are only present in a few segments, the current model works poorly, complicating the interpretation of the images. To improve normalization, this thesis devised and implemented six new normalization methods. Two of these are based on the diffusion map. A diffusion map is an image obtained with a special type of MRI scan, where the brightness at each point indicates how freely hydrogen atoms can move in that point. Imagine having this diffusion map on paper; then you cut out the parts with a certain greyscale value and place this as a mask over the original scan. The normalization can now be done based on the median or the 95th percentile of the signal intensity values that are now visible. The next two methods do not use the signal itself but the variation in the signal. They calculate the local variation to perform normalization based on this. The fifth method looks at the maximum of the Laplace image, where each pixel is the sum of all differences with the surrounding pixels. Finally, the sixth method first determines the body contour and then selects a band just below this contour. Then, it normalizes the 95th percentile of this band. These methods were applied to a dataset of 24 scans, and the resulting images were compared both visually and based on several quality metrics. These metrics looked at the variation of the 95th percentile per slice, the difference between the slices at the edge of the segments, and the difference between the average intensity of a selected tissue across the different segments. All methods improved the intensity consistency between the different segments, with the Laplace and body contour-based methods only to a limited extent, and those based on the diffusion map and variation more so. The method that normalizes the median of the part selected by the diffusion map stood out strongly and appears promising as a replacement for the current model used in the hospital. Although the method still needs to be optimized and tested, this thesis suggests that this normalization method could be a valuable tool for radiologists in the analysis of MRI images.