Conventional Enhancement CT: A Valuable Tool for Evaluating Pial Collateral Flow in Acute Ischemic Stroke
Notice bibliographique
Résumé
BACKGROUND: To establish an easy and rapid method for evaluating pial collateral flow, we compared the Alberta Stroke Program Early CT Score (ASPECTS) on nonenhanced CT (NECT), conventional contrast-enhanced CT (CECT), and CT angiography source images (CTA-SI) in patients with acute ischemic stroke. METHODS: We reviewed 55 consecutive patients with acute ischemic stroke involving the anterior circulation who underwent thrombolysis within 6 h of referral to the stroke center. We evaluated axial images using NECT, CECT and CTA-SI. Pial collateral formation was graded as fair (1-2 points) or bad (3-5 points) based on 4-vessel angiography. The outcomes were dichotomized into good (modified Rankin Scale, mRS 0-2) or poor (mRS 3-6) using a 90-day mRS. RESULTS: Demographics (age, sex, initial National Institutes of Health Stroke Scale score, time to CT acquisition and stroke subtypes) did not significantly differ between patients with fair or bad collateral formation. ASPECTS on CECT (r = -0.788, p < 0.0001) was more inversely correlated with pial collateral formation than ASPECTS on NECT (r = -0.557, p < 0.0001) or ASPECTS on CTA-SI (r = -0.662, p < 0.0001). Furthermore, ASPECTS on CECT demonstrated a high discriminative capability, with an area under the receiver operating characteristic curve of 0.885 for fair collateral circulation, compared to 0.790 for ASPECTS on NECT and 0.794 for ASPECTS on CTA-SI. Multiple regression analysis revealed that ASPECTS on CECT (≥8) was an independent predictor for fair collateral circulation (odds ratio = 23.00, p < 0.001) and a good prognosis (odds ratio = 17.81, p < 0.001). CONCLUSION: ASPECTS on CECT is a feasible method for predicting pial collateral flow and overall outcomes in acute ischemic stroke.
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 | 0,001 |
| 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) | 0,002 | 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 ».