Defining the relationship between atherosclerotic plaque, ischaemia, and risk—the story unfolds
Notice bibliographique
Résumé
This editorial refers to ‘Quantitative plaque features from coronary computed tomography angiography to identify regional ischemia bymyocardial perfusion imaging’, by Diaz-Zamudio M et al . doi: 10.1093/ehjci/jew274. ‘The real voyage of discovery consists not in seeking new landscapes, but in having new eyes’.—Marcel ProustThe last 50 years has seen tremendous development in the field of non-invasive imaging to aid in the diagnosis and to guide the management of coronary artery disease (CAD).1,2 The rapidity of development has often resulted in a significant lag between the integration of a technology and the realization by the field of all its potential implications and the information that it provides. Nuclear myocardial perfusion testing has been used for decades to help with the diagnosis of CAD and has been shown to provide important prognostic information and to guide medical therapy and revascularization in a fashion that can help improve clinical outcomes in large non-randomized registries.3 Coronary CT angiography has been introduced in the last 15 years and has asserted itself as the non-invasive anatomical gold standard for the evaluation and diagnosis of CAD. CT has not only been shown to provide stenoses assessment that correlate well with ICA, but morphological features of atherosclerotic plaque features such as low-density plaque, outward expansion, and napkin ring sign have been identified as independently predicted of downstream risk beyond stenosis.2,4 Most recently, non-invasive fractional flow reserve (FFR) derived through complex computer modelling and computational fluid dynamics from resting coronary …
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 | 0,009 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,008 |
| 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 ».