Magnetic resonance myocardial perfusion imaging at 3.0 Tesla for the identification of myocardial ischaemia: comparison with coronary catheter angiography and fractional flow reserve measurements
Notice bibliographique
Résumé
AIMS: To assess image quality and diagnostic performance of 3.0 Tesla (3T) cardiac magnetic resonance (CMR) myocardial perfusion imaging with a dual radiofrequency source to detect functional relevant coronary artery disease (CAD), using coronary angiography and invasive pressure-derived fractional flow reserve (FFR) as reference standard. METHODS AND RESULTS: We included 116 patients with suspected or known CAD, who underwent 3T adenosine myocardial perfusion CMR (resolution 2.97 × 2.97 mm) and coronary angiography plus FFR measurements in intermediate lesions. Image quality of myocardial perfusion CMR was graded on a 4-point scale (1 = poor to 4 = excellent). Diagnostic accuracy was assessed by ROC analyses using a 16-myocardial segment-based summed perfusion score (0 = normal to 3 = transmural perfusion defect) and by determining sensitivity, specificity, positive and negative predictive value on the coronary vessel territory and the patient level. Diagnostic image quality was achieved for all stress myocardial perfusion CMR studies with an average quality score of 2.5, 3.1, and 3.0 for LAD, LCX, and RCA territories. The ability of the myocardial perfusion CMR perfusion score to detect significant coronary artery stenosis yielded an area under the curve of 0.93 on ROC analysis. Values for sensitivity, specificity, positive and negative predictive value on a vessel territory level and the patient level were 89, 95, 87, 96% and 85, 87, 77, 92%, respectively. CONCLUSION: In patients with suspected or known significant CAD, 3T myocardial perfusion CMR with standard perfusion protocols provides consistently high image quality and an excellent diagnostic performance.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».