Discrepancies between cardiovascular magnetic resonance and Doppler echocardiography in the measurement of transvalvular gradient in aortic stenosis: the effect of flow vorticity
Notice bibliographique
Résumé
BACKGROUND: Valve effective orifice area EOA and transvalvular mean pressure gradient (MPG) are the most frequently used parameters to assess aortic stenosis (AS) severity. However, MPG measured by cardiovascular magnetic resonance (CMR) may differ from the one measured by transthoracic Doppler-echocardiography (TTE). The objectives of this study were: 1) to identify the factors responsible for the MPG measurement discrepancies by CMR versus TTE in AS patients; 2) to investigate the effect of flow vorticity on AS severity assessment by CMR; and 3) to evaluate two models reconciling MPG discrepancies between CMR/TTE measurements. METHODS: Eight healthy subjects and 60 patients with AS underwent TTE and CMR. Strouhal number (St), energy loss (EL), and vorticity were computed from CMR. Two correction models were evaluated: 1) based on the Gorlin equation (MPG(CMR-Gorlin)); 2) based on a multivariate regression model (MPG(CMR-Predicted)). RESULTS: MPGCMR underestimated MPGTTE (bias = -6.5 mmHg, limits of agreement from -18.3 to 5.2 mmHg). On multivariate regression analysis, St (p = 0.002), EL (p = 0.001), and mean systolic vorticity (p < 0.001) were independently associated with larger MPG discrepancies between CMR and TTE. MPG(CMR-Gorlin) and MPGTTE correlation and agreement were r = 0.7; bias = -2.8 mmHg, limits of agreement from -18.4 to 12.9 mmHg. MPG(CMR-Predicted) model showed better correlation and agreement with MPGTTE (r = 0.82; bias = 0.5 mmHg, limits of agreement from -9.1 to 10.2 mmHg) than measured MPGCMR and MPG(CMR-Gorlin). CONCLUSION: Flow vorticity is one of the main factors responsible for MPG discrepancies between CMR and TTE.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,007 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».