Diagnosis and Prognosis of Hyperacute Ischemic Stroke with Computed Tomography Angiography and Perfusion Imaging
Notice bibliographique
Résumé
Aivohalvaus on toiseksi yleisin kuolinsyy maailmassa. Aivojen ja aivoverisuonten kuvantamisella on keskeinen merkitys arvioitaessa aivohalvauspotilaita. Multimodaaliset tietokonetomografia- ja magneettitutkimukset ovat mahdollistaneet aivoverenvuodon havaitsemisen, sekä palautuvan että palautumattoman vaillinaisesta tai puuttuvasta verenvirtauksesta johtuvan aivokudoksen vaurion laajuuden arvioinnin, tukoksen sijainnin paikantamisen ja aivoverisuonten kollateraalikierron arvioinnin. Toistaiseksi ei ole kuitenkaan tarkkaan tiedetty kuinka edellä mainittuja tuloksia voidaan hyödyntää arvioitaessa laskimonsisäistä liuotushoitoa saavien aivoinfarktipotilaiden kliinistä ennustetta. \n \nTässä väitöstutkimuksessa tarkastelimme aluksi retrospektiivisesti kohorttia, jossa oli 44 liuotushoidon saanutta hyperakuuttia aivoinfarktipotilasta. Tavoitteena oli selvittää parantaako kuvantamisohjelman ikkunoinnin optimointi pisteytysjärjestelmän käytön yhteydessä aivokudoksen varhaisten iskemiamuutosten havaitsemisen tarkkuutta. Tämän lisäksi tarkastelimme retrospektiivisesti 105 potilasta käsittävässä yksityiskohtaisia kliinisiä tietoja sisältävässä kohortissa valtimotukoksen sijainnin, tietokonetomografiaperfuusio-tutkimuksen tulosten ja aivoverisuonten kollateraalikierron merkitystä arvioitaessa laskimonsisäisen liuotushoidon saaneiden hyperakuuttien aivoinfarktipotilaiden radiologista ja kliinistä ennustetta. \n \nEnsimmäisessä tutkimusasetelmassamme kävi ilmi, että aivokudoksen varhaisten iskemiamuutosten laajuuden arviointiin kehitetyn Alberta Stroke Program Early CT Score-pisteytysjärjestelmän tarkkuutta pystyttiin merkittävästi parantamaan tietokonetomografiakuvien ikkunoinnin optimoimisella tai pisteyttämällä tietokonetomografia-angiografiakuvia. Jälkimmäisissä tutkimuksissamme havaitsimme, että kolme kuukautta aivoinfarktin jälkeen omatoimisia potilaita oli kaulavaltimossa sijainneen tukoksen sairastaneiden joukossa 12%, keskimmäisen aivovaltimon M1-haaran alkuosan tukoksissa 24% ja keskimmäisen aivovaltimon M1-haaran loppuosan tukoksissa 59%. Sekä M2- että M3-haarojen tukoksissa omatoimisia potilaita oli 81%. Logistisessa regressioanalyysissä tukoksen sijainti oli tilastollisesti merkitsevästi itsenäinen omatoimisuuden ennustaja, kun National Institutes of Health Stroke Scale-pisteytys, ikä, sukupuoli ja viive sairastumisesta liuotushoidon aloitukseen oli otettu huomioon. M1-haaran alku- ja loppuosan välillä oli suurin ero arvioitaessa hyvää ja huonoa ennustetta. Kaulavaltimossa oleva tukos johti suureen perfuusiohäiriöön aivojen veritilavuuskartan perusteella tulkittuna tietokonetomografiaperfuusio-tutkimuksessa. Kahdella kolmasosalla potilaista joilla oli kaulavaltimon tai keskimmäisen aivovaltimon alkuosan tukos, oli huono aivojen kollateraalikierto. Vain 36% potilaista joilla oli hyvä kollateraalikierto ja kaulavaltimon tai keskimmäisen aivovaltimon alkuosan tukos, oli omatoimisia kolmen kuukauden kuluttua aivoinfarktista. Monimuuttuja-analyysissä sekä tukoksen sijainti että kollateraalikierto ennustivat itsenäisesti ja erittäin merkitsevästi omatoimisuutta. Hyvä kollateraalikierto nosti omatoimisuuden todennäköisyyden yhdeksänkertaiseksi. Tukoksen sijainti keskimmäisen aivovaltimon M1-haaran loppuosassa tai M2- ja M3 haaroissa ennusti omatoimisuutta kuitenkin hyvää kollateraalikiertoa vahvemmin. \n \nTulostemme perusteella multimodaalisella tietokonetomografialla todettu valtimotukoksen sijainti ja aivojen kollateraalikierto vaikuttivat merkitsevästi ja itsenäisesti kliiniseen kolmen kuukauden ennusteeseen laskimonsisäisellä liuotushoidolla hoidetuilla hyperakuuteilla aivoinfarktipotilailla. Aivojen ja aivoverisuonten kuvantaminen on edellytys oikealle potilasvalinnalle hyperakuutin aivoinfarktin valtimonsisäisiä hoitotoimenpiteitä harkittaessa.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».