Fractional flow reserve derived from coronary computed tomography angiography: diagnostic performance in hypertensive and diabetic patients
Notice bibliographique
Résumé
AIMS: Fractional flow reserve (FFR) derived from coronary computed tomography (FFRCT) has high diagnostic performance in stable coronary artery disease (CAD). The diagnostic performance of FFRCT in patients with hypertension (HTN) and diabetes (DM), who are at risk of microvascular impairment, is not known. METHODS AND RESULTS: We analysed the diagnostic performance of FFRCT, in patients (vessels) with DM (n = 16), HTN (n = 186), DM + HTN (n = 58) vs. controls (n = 107) with or with suspected CAD. Patients (vessels) were further divided according to left ventricular mass index (LVMI) tertiles. Reference standard was invasively measured FFR ≤0.80. Per-patient diagnostic accuracy (95% CI) in control patients was 71.7% (61.6-81.8) vs. 79.3 (74.0-85.0) (P = 0.12), 75.0% (47.6-92.7) (P = 0.52), and 75.9% (62.8-86.1) (P = 0.39) in patients with HTN, DM, and HTM + DM, respectively. There was no difference in discrimination of ischaemia by FFRCT between groups. On a per-vessel level, there was no significant difference in diagnostic performance or discrimination of ischaemia by FFRCT between groups. There was a decline in both per-patient and -vessel diagnostic specificity of FFRCT in the upper LVMI tertile when compared with lower tertiles; however, discrimination of ischaemia by FFRCT was unaltered across LVMI tertiles. CONCLUSION: The diagnostic performance of FFRCT is independent of the presence of HTN and DM. FFRCT is a robust method in a broad stable CAD population, including patients at high risk for microvascular disease.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 ».