MétaCan
Menu
Retour à la cohorte
Enregistrement W2097925909 · doi:10.1186/1532-429x-16-36

Native T1-mapping detects the location, extent and patterns of acute myocarditis without the need for gadolinium contrast agents

2014· article· en· W2097925909 sur OpenAlexafffund
Vanessa M. Ferreira, Stefan K. Piechnik, Erica Dall’Armellina, Theodoros D. Karamitsos, Jane M Francis, Ntobeko Ntusi, Cameron Holloway, Robin P. Choudhury, Attila Kardos, Matthew D. Robson, Matthias G. Friedrich, Stefan Neubauer

Notice bibliographique

RevueJournal of Cardiovascular Magnetic Resonance · 2014
Typearticle
Langueen
DomaineMedicine
ThématiqueViral Infections and Immunology Research
Établissements canadiensUniversité de MontréalLibin Cardiovascular Institute of AlbertaMontreal Heart Institute
Organismes subventionnairesClarendon FundMedical Research CouncilAlberta InnovatesUniversity of OxfordNational Institute for Health and Care ResearchBritish Heart FoundationWellcome Trust
Mots-clésMedicineAngiologyMyocarditisAcute myocarditisMagnetic resonance imagingSteady-state free precession imagingCardiologyInternal medicineCardiac magnetic resonance imagingRadiologyContrast (vision)

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Acute myocarditis can be diagnosed on cardiovascular magnetic resonance (CMR) using multiple techniques, including late gadolinium enhancement (LGE) imaging, which requires contrast administration. Native T1-mapping is significantly more sensitive than LGE and conventional T2-weighted (T2W) imaging in detecting myocarditis. The aims of this study were to demonstrate how to display the non-ischemic patterns of injury and to quantify myocardial involvement in acute myocarditis without the need for contrast agents, using topographic T1-maps and incremental T1 thresholds. METHODS: We studied 60 patients with suspected acute myocarditis (median 3 days from presentation) and 50 controls using CMR (1.5 T), including: (1) dark-blood T2W imaging; >(2) native T1-mapping (ShMOLLI); (3) LGE. Analysis included: (1) global myocardial T2 signal intensity (SI) ratio compared to skeletal muscle; (2) myocardial T1 times; (3) areas of injury by T2W, T1-mapping and LGE. RESULTS: Compared to controls, patients had more edema (global myocardial T2 SI ratio 1.71 ± 0.27 vs.1.56 ± 0.15), higher mean myocardial T1 (1011 ± 64 ms vs. 946 ± 23 ms) and more areas of injury as detected by T2W (median 5% vs. 0%), T1 (median 32% vs. 0.7%) and LGE (median 11% vs. 0%); all p < 0.001. A threshold of T1 > 990 ms (sensitivity 90%, specificity 88%) detected significantly larger areas of involvement than T2W and LGE imaging in patients, and additional areas of injury when T2W and LGE were negative. T1-mapping significantly improved the diagnostic confidence in an additional 30% of cases when at least one of the conventional methods (T2W, LGE) failed to identify any areas of abnormality. Using incremental thresholds, T1-mapping can display the non-ischemic patterns of injury typical of myocarditis. CONCLUSION: Native T1-mapping can display the typical non-ischemic patterns in acute myocarditis, similar to LGE imaging but without the need for contrast agents. In addition, T1-mapping offers significant incremental diagnostic value, detecting additional areas of myocardial involvement beyond T2W and LGE imaging and identified extra cases when these conventional methods failed to identify abnormalities. In the future, it may be possible to perform gadolinium-free CMR using cine and T1-mapping for tissue characterization and may be particularly useful for patients in whom gadolinium contrast is contraindicated.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,272
Écart entre enseignants0,255 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations226
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Cardiovascular Magnetic ResonanceMême sujetViral Infections and Immunology ResearchTravaux en français237 207