Validation of sub‐segmental visual scoring for the quantification of ischemic and nonischemic myocardial fibrosis using late gadolinium enhancement MRI
Notice bibliographique
Résumé
PURPOSE: To determine the accuracy and reproducibility of late gadolinium enhancement (LGE) MRI scar quantification using visual sub-segmental analysis (VSSA) versus signal threshold-based analysis in ischemic and nonischemic cardiomyopathy. MATERIALS AND METHODS: One-hundred sixty-one patients with abnormal LGE imaging underwent VSSA and signal threshold-based analysis. VSSA was performed using a 68 sub-segmental model. Signal threshold-based analysis was performed using cutoffs of ≥2, ≥3, and ≥5 standard deviations (SD) above the mean signal of normal myocardium. Comparison of VSSA and signal threshold-based analysis was performed by linear regression and Bland Altman plots. RESULTS: Seventy (44%) patients had ischemic scar, 76 (47%) had nonischemic scar, and 15 (9%) had a combined pattern. Correlation coefficients for VSSA versus signal threshold-based analysis at ≥2, ≥3, and ≥5SD thresholds were r = 0.63, r = 0.79, r = 0.81 (P < 0.001) for all patients, r = 0.74, r = 0.81, r = 0.81 (P < 0.001) in those with ischemic scar, and r = 0.46, r = 0.69, r = 0.72 (P < 0.001) in those with nonischemic scar. Bland Altman analysis revealed no significant bias in total scar volume among all patients (-4.3 ± 7.9%), those with ischemic scar (-4.8 ± 7.8%), or those with nonischemic scar (-2.6 ± 7.6%). Intra-observer and inter-observer variability of the VSSA technique was excellent with a mean difference in total percent scar of 0.3% (-8.3-8.9%) and -0.4% (-9.5-8.5%), respectively. CONCLUSION: A VSSA-based model of myocardial scar quantification is accurate and reproducible in ischemic and nonischemic cardiomyopathy.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».