MétaCan
Menu
← Retour à la cohorte
Enregistrement W2280133063 · doi:10.1161/circ.130.suppl_2.15182

Abstract 15182: Calibration and Feedback of Speckle Strain Measurement Improves Segmental Strain Concordance

2014· article· en· W2280133063 sur OpenAlexaff
Tomoko Negishi, Kazuaki Negishi, Krasimira Hristová, Koji Kurosawa, Satoshi Yuda, Bogdan A. Popescu, Dragoş Vinereanu, Paaladinesh Thavendiranathan, Martin Pěnička, Manish Bansal, Nobuaki Fukuda, Goo-Yeong Cho, Stéphanie Seldrum, Thomas H. Marwick

Notice bibliographique

RevueCirculation · 2014
Typearticle
Langueen
DomaineMedicine
ThématiqueCardiac Imaging and Diagnostics
Établissements canadiensToronto General Hospital
Organismes subventionnairesnon disponible
Mots-clésConcordanceMedicineIntraclass correlationStrain (injury)ReproducibilityCalibrationConcordance correlation coefficientNuclear medicineEjection fractionCardiologyInternal medicineStatisticsMathematicsHeart failure

Résumé

récupéré en direct d'OpenAlex

Purpose: Inter-institutional agreement of imaging measurements is important in shared clinical management and in trials. 2D strain is sensitive to changes in LV function, automated and may be less variable than ejection fraction (EF), which is used widely but has inherent variability. We sought whether strain would have better concordance between different centers and that feedback from a calibration exercise would reduce the variability among institutions. Methods: 108 global longitudinal strain (GLS) measurements, calculated from 1944 segmental strains, were performed blindly by 21 experienced readers from 12 different institutes (5 Europe, 5 Asia, 1 North America and 1 Australia) in 6 cases. Intraclass correlation coefficients (ICCs) were used to determine concordance. All individual measurements were reviewed and some key points were identified to optimize strain measurement. After feedback, strain was remeasured and improvement of agreement sought using coefficient variance (CV) and mean difference (MD) from the reference standard. Results: GLS was -17.9±3.3%, while EF was 60±7%. The ICC in GLS (0.994 [95%CI 0.983, 0.999]) was better than that of 2DEF (0.928 [0.809, 0.988], p<0.001) at baseline. Two main sources of discordance in GLS measurements were the width and location of regions of interest, especially at mitral annulus and apex. After feedback, re-measurement showed the CV (p=0.02) and MD (p=0.03) of segmental strain improved, but comparison of 2nd vs 1st GLS showed no changes of ICC (p=0.85), CV (p=0.80) or MD (p=0.92). Conclusions: Feedback significantly decreased segmental strain variability, but did not improve the concordance in GLS, which had better precision than EF at baseline.

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)0,016
score de la tête « metaresearch » (Gemma)0,055
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,086

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0160,055
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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 Opus0,021
Tête enseignante GPT0,255
Écart entre enseignants0,234 · 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

Citations0
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCirculation→Même sujetCardiac Imaging and Diagnostics→Travaux en français237 207→