Topographic distribution of cerebral infarct probability in patients with acute ischemic stroke: mapping of intra-arterial treatment effect
Notice bibliographique
Résumé
BACKGROUND: Since proof emerged that IA treatment (IAT) is beneficial for patients with acute ischemic stroke, it has become the standard method of care. Despite these positive results, recovery to functional independence is established in only about one-third of treated patients. The effect of IAT is commonly assessed by functional outcome, whereas its effect on brain tissue salvage is considered a secondary outcome measure (at most). Because patient and treatment selection needs to be improved, understanding the treatment effect on brain tissue salvage is of utmost importance. OBJECTIVE: To introduce infarct probability maps to estimate the location and extent of tissue damage based on patient baseline characteristics and treatment type. METHODS: Cerebral infarct probability maps were created by combining automatically segmented infarct distributions using follow-up CT images of 281 patients from the MR CLEAN trial. Comparison of infarct probability maps allows visualization and quantification of probable treatment effects. Treatment impact was calculated for 10 Alberta Stroke Program Early CT Score (ASPECTS) and 27 anatomical regions. RESULTS: The insular cortex had the highest infarct probability in both control and IAT populations (47.2% and 42.6%, respectively). Comparison showed significant lower infarct probability in 4 ASPECTS and 17 anatomical regions in favor of IAT. Most salvaged tissue was found within the ASPECTS M2 region, which was 8.5% less likely to infarct. CONCLUSIONS: Probability maps intuitively visualize the topographic distribution of infarct probability due to treatment, which makes it a promising tool for estimating the effect of treatment.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».