Objectives: Water polo players ought to possess various physical capacities and well-developed cognitive functions that reflect the requirements of their specific playing position. Therefore, the objective of this study was to compare the cognitive performance, anthropometric characteristics and specific swimming capacities of youth water polo players in different playing positions. Methods: The present cross-sectional study involved 106 youth water polo players. The subjects were recruited as part of a project for talent identification and selection for the Croatian National Water Polo Team. Testing included anthropometric measurements, specific swimming capacities and cognitive performance (Stroop test). Results: Among the 106 youth water polo players, there were 15 goalkeepers (14.2%), 21 center-defenders (19.8%), 17 center-forwards (16.0%), 34 drivers (32.1%) and 19 wings (17.9%), with the mean age of 14.14 ± 0.38 years. The wings performed faster than center-forwards in both StroopOff time (wings: 57.14 ± 10.04 s vs. center-forwards: 67.03 ± 9.72 s, p = 0.016) and StroopOn time (wings: 66.18 ± 15.86 s vs. center-forwards: 80.24 ± 15.64 s, p = 0.019). Conclusions: In conclusion, this study demonstrated significant differences between different playing positions in youth water polo players, specifically between center-forwards and wings. They performed faster than center-forwards in all tested variables of the Stroop test, measures of psychomotor ability, response inhibition and motor speed, as well as in specific swimming capacities measured in the 50 m crawl and the 400 m crawl. The results of this study provide a valuable foundation for establishing developmental recommendations for different playing positions, aimed at improving player’s performance. These recommendations should take into account anthropometric characteristics, specific functional swimming capacities and cognitive functions that influence players’ game intelligence, which can be enhanced through properly designed training programs.

Background: Educational requirements in healthcare are constantly evolving, and understanding nurses’ motivations toward continuing education is critical to designing nursing programs, developing workforce strategies, and ensuring better healthcare outcomes. Objectives: This study aimed to examine the relationships among nurses’ personal factors, motivations, and attitudes toward further education. Methods: We conducted a cross-sectional study involving 526 employed nurses. Based on their intention to enroll in studies, the nurses were divided into two groups: those who intended to enroll (n = 276) and those who did not intend to enroll (n = 250). We used the Work Preferences Inventory and the Attitudes and Educational Intentions Scale to assess motivations and attitudes toward further education. The multivariate analysis included linear and logistic regression to assess associations between variables. Results: Nurses who intended to enroll in nursing studies had higher intrinsic motivation than nurses who did not. Strong negative associations were found between job challenges and older age (β = −0.68), while length of service was positively correlated (β = 0.46). A lower level of education had a negative effect on overall work motivation (β = −0.15) and attitudes toward future education (β = −0.09). Nurses with higher intrinsic challenge motivation (OR = 1.07) and a positive attitude toward further education (OR = 1.17) were more likely to study nursing. Conclusions: Intrinsic motivation, experience, and a positive attitude toward career advancement influence nurses’ intentions to continue their education. To further motivate nurses, it is crucial to improve working conditions, offer advancement opportunities, and foster a culture that values their contributions and growth.

The knee is an anatomical structure that can provide a great deal of data for research on age estimation. The aim of this study was to evaluate and apply a method for semi-automatic measurements of the area under the growth plate closure of the femur distal epiphysis and the growth plate closure itself on the 2D coronary slices using T2 weighted images (T2WI) generated on magnetic resonance (MRI) devices of different technical and technological characteristics. After the semi-automatic segmentation of the femur distal epiphysis under the growth plate closure and the growth plate closure itself, the areas of the measured closures were calculated using MATLAB version: 9.12. (R2022a), MathWorks Inc., Natick, MA, USA, for each individual coronal slice. The area ratio index (ARI) was calculated as the ratio between the area under the growth plate closure of the femur distal epiphysis and the growth plate closure itself. The study sample consisted of 27 female and 23 male Caucasian participants aged 10 to 26 years. A total of 339 T2WI images were used for ARI calculations. There was a positive correlation between chronological age and the average ARI measured by three independent observers (r = 0.8280, p < 0.001). Multiple regression analysis did not show any significant impact of the technical and technological characteristics of the MRI devices on ARI. The results of this study showed that ARI could serve as a useful tool for age estimation using knee MRI as well as for the further development of artificial intelligence (AI) applications.

Svjedoci smo kako svakoga dana medicina i tehnologija napreduju, a umjetna inteligencija ima sve veću primjenu u svakidašnjem životu. Radiomička analiza uvelike olakšava cijeli proces obrade pacijenta, od njegovog snimanja do postavljanja dijagnoze, te je zbog toga privukla pažnju mnogim znanstvenicima i liječnicima. Princip rada radiomike temelji se na algoritamskoj analizi slike, klasificiranje podataka, a njihova sumacija osigurava precizno manipuliranje i analizu uz pomoć računalnih programa i time osigurava zadovoljavajući ishod cijelog procesa, brzu i točnu dijagnostiku, uz neinvazivnu obradu pacijenta. Radiomika ima mogućnost prediktivne analize, a daljnjim razvojem tehnologije i radiologije znanstvenici razvijaju model koji će sa sigurnošću odrediti malignost ili benignost lezije te na taj način ubrzati proces dijagnoze i liječenja uz zaobilaženje metoda koje iziskuju puno vremena i materijala za obradu. Radiomika je još uvijek u procesu razvoja, ali već nakon par godina istraživanja dala je obećavajuće i iznimno dobre rezultate koji su potvrđeni u mnogim istraživanjima. Kao i svako novo područje, ima svoje nedostatke koje će se sa daljnjim radom i istraživanjem nadomjestiti. Glavno ograničenje predstavlja sustav računala, koji mora biti standardiziran kako bi se radiomička obrada podataka mogla koristiti u svakoj ustanovi isto, te kako bi te ustanove međusobno mogle razmjenjivati informacije bez poteškoća. Osim standardizacije sustava, problem predstavljaju i lažno pozitivni nalazi, što uvelike povećava troškove ustanovama te trati vrijeme pacijenata. Rješenje ovih navoda predstavlja razvitak novih računalnih algoritama i povećanje senzibilnosti računalne detekcije lezija. Radiomika će zasigurno tijekom određenog vremena imati važnu ulogu u dijagnostici i analizi slika te njenoj integraciji u pojedine radiološke dijagnostike s čime bi se uvelike olakšao proces obrade slike, te dijagnosticiranje karcinoma dojke.

Među novim tehnologijama koje oblikuju nove horizonte dijagnostičkog snimanja, kompjuterizovana tomografija s detekcijom pojedinačnih fotona (photon-counting computed tomography – PCCT) ističe se kao transformativni napredak zasnovan na detekciji i razlikovanju pojedinačnih rendgenskih fotona prema njihovoj energiji. Za razliku od konvencionalnih detektora koji integrišu energiju, PCCT omogućava direktnu konverziju rendgenskog zračenja u električni signal, čime se postižu veća kvantna efikasnost, smanjen elektronski šum te bolja prostorna i kontrastna rezolucija. Iako je konvencionalno spektralno snimanje, poput tehnologije detektora s dva sloja, već pokazalo kliničku vrijednost podataka razlučenih prema energiji, PCCT dodatno unapređuje ovaj pristup zahvaljujući boljoj diskriminaciji energije pojedinačnih fotona. Ova inherentna spektralna sposobnost omogućava istovremeno prikupljanje multispektralnih podataka, čime se značajno unapređuju diferencijacija tkiva i karakterizacija materijala. Nadalje, poboljšana efikasnost detekcije omogućava optimizaciju doze zračenja uz očuvanje visokog kvaliteta dijagnostičkih snimaka. Integracija umjetne inteligencije (AI) i radiomike dodatno proširuje dijagnostički potencijal ovih sistema. Dok algoritmi mašinskog učenja omogućavaju automatizovanu analizu velikih skupova podataka dobijenih snimanjem, radiomika omogućava izdvajanje kvantitativnih karakteristika koje nadilaze vizuelnu procjenu. Kombinovanje spektralnih informacija s radiomikom ima potencijal da doprinese preciznijoj dijagnostici, boljoj stratifikaciji pacijenata i unapređenju personalizirane medicine. Iako dosadašnja istraživanja ukazuju na značajan potencijal u kardiovaskularnom, onkološkom i muskuloskeletnom snimanju, očekuje se da će daljnji razvoj i integracija umjetne inteligencije doprinijeti prevazilaženju postojećih tehničkih izazova. Zaključno, sinergija CT snimanja nove generacije i naprednih analitičkih metoda ima potencijal da transformiše savremenu radiološku praksu.

Umjetna inteligencija (AI) sve više transformiše područje radiologije i medicinskog snimanja, postajući važan alat u svakodnevnom radu radioloških tehnologa i radiologa. Razvoj digitalnih tehnologija, velikih baza podataka medicinskih snimaka i naprednih algoritama omogućio je primjenu sistema mašinskog i dubokog učenja u analizi medicinskih snimaka, optimizaciji protokola snimanja i unapređenju dijagnostičkih postupaka. Sistemi umjetne inteligencije koriste se za detekciju patoloških promjena, segmentaciju tkiva, rekonstrukciju slike, smanjenje šuma i optimizaciju doze zračenja, čime se unapređuju dijagnostička tačnost i sigurnost pacijenata. Radiološki tehnolozi imaju ključnu ulogu u implementaciji i svakodnevnoj primjeni tehnologija umjetne inteligencije. Njihove odgovornosti uključuju pravilnu pripremu pacijenta, odabir i optimizaciju protokola snimanja, kontrolu kvaliteta snimaka te nadzor nad sigurnom i efikasnom primjenom AI alata. Primjena umjetne inteligencije može značajno olakšati rad radioloških tehnologa kroz automatizaciju pojedinih procesa u radnom toku, bržu obradu podataka i smanjenje administrativnog opterećenja, čime se omogućava veći fokus na pacijenta i osiguranje kvaliteta dijagnostičkih postupaka. Saradnja između radioloških tehnologa i radiologa ostaje od ključnog značaja, budući da umjetna inteligencija ne zamjenjuje zdravstvene profesionalce, već predstavlja alat podrške u donošenju dijagnostičkih odluka i organizaciji radnog procesa. Uspješna integracija AI sistema zahtijeva kontinuiranu edukaciju, razvoj digitalnih kompetencija i razumijevanje mogućnosti i ograničenja AI algoritama. Poseban naglasak stavlja se na potrebu za dodatnom edukacijom radioloških tehnologa u oblastima umjetne inteligencije, računarski podržane analize medicinskih snimaka i primjene naprednih tehnologija medicinskog snimanja. Zaključno, umjetna inteligencija predstavlja značajan tehnološki napredak s potencijalom za unapređenje dijagnostičke efikasnosti, poboljšanje kvaliteta zdravstvene zaštite i dalje jačanje saradnje između radioloških tehnologa i radiologa u pružanju zdravstvene zaštite pacijentima.