Rapid Assessment of Perfusion–Diffusion Mismatch
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: For MR perfusion-diffusion (PWI-DWI) mismatch to become routine in thrombolysis patient selection, rapid and reliable assessment tools are required. We examined interrater variability in PWI/DWI volume measurements and developed a rapid assessment tool based on the Alberta Stroke Program Early CT Scores (ASPECTS) system. METHODS: DWI and PWI were performed in 35 patients with stroke <6 hours after symptom onset. DWI lesion and PWI (time to peak) volumes were measured with planimetric techniques by 4 raters and the 95% limits of agreement calculated. ASPECT scores were assessed separately by 4 investigators (2 experienced and 2 inexperienced) for DWI (MR DWI scores) and PWI (MR time to peak scores). MR mismatch scores were calculated as MR DWI-MR time to peak scores. RESULTS: Interobserver variability was much greater for PWI (95% limit of agreement=+/-72.3 mL) than for DWI (95% limit of agreement=+/-12.6 mL). A semiautomated PWI volume (time to peak+2 s) was therefore used to calculate mismatch volume. MR mismatch scores >or=2 predicted 20% PWI-DWI mismatch by volume with mean 78% sensitivity (range, 72% to 84%) and 88% specificity (range, 83% to 90%). There was excellent agreement on mismatch classification using MR mismatch scores between experienced raters (weighted kappa scores of 0.94) with agreement in 34 of 35 cases. Agreement was less consistent between inexperienced raters (weighted kappa=0.49, 28 of 35 cases). CONCLUSIONS: Variability in planimetric mismatch measurements arises primarily from differences in PWI volume assessment. High specificity and interrater reliability may make MR mismatch scores an ideal rapid screening tool for potential thrombolysis patients.
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 ».