Admission CT Perfusion Is an Independent Predictor of Hemorrhagic Transformation in Acute Stroke with Similar Accuracy to DWI
Notice bibliographique
Résumé
BACKGROUND: The utility of admission CT perfusion (CTP) to that of diffusion-weighted imaging (DWI) as a predictor of hemorrhagic transformation (HT) in acute stroke was compared. METHODS: We analyzed the admission CTP and DWI scans of 96 consecutive stroke patients. HT was present in 22 patients (23%). Infarct core was manually segmented on the admission DWI. We determined the: (1) hypoperfused tissue volume in the ischemic hemisphere using a range of thresholds applied to multiple different CTP parameter maps, and (2) mean relative CTP (rCTP) voxel values within both the DWI-segmented lesions and the thresholded CTP parameter maps. Receiver operating characteristic area under curve (AUC) analysis and multivariate regression were used to evaluate the test characteristics of each set of volumes and mean rCTP parameter values as predictors of HT. RESULTS: The hypoperfused tissue volumes with either relative cerebral blood flow (rCBF) <0.48 (AUC = 0.73), or relative mean transit time (rMTT) >1.3 (AUC = 0.70), had similar accuracy to the DWI-segmented core volume (AUC = 0.68, p = 0.2 and p = 0.1, respectively) as predictors of HT. The mean rMTT voxel values within the rMTT >1.3 segmented lesion (AUC = 0.71) had similar accuracy to the mean rMTT voxel values (AUC = 0.65, p = 0.24) and mean rCBF voxel values (AUC = 0.64, p = 0.22) within the DWI-segmented lesion. The only independent predictors of HT were: (1) mean rMTT with rMTT >1.3, and (2) mechanical thrombectomy. CONCLUSION: Admission CTP-based hypoperfused tissue volumes and thresholded mean voxel values are markers of HT in acute stroke, with similar accuracy to DWI. This could be of value when MRI cannot be obtained.
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) | 0,000 | 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) | 0,001 | 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 ».