MétaCan
Menu
← Retour à la cohorte
Enregistrement W2603635611 · doi:10.1161/str.47.suppl_1.161

Abstract 161: Prediction of Thrombolysis-induced Parenchymal Hemorrhage in Patients With Acute Ischemic Stroke: Use of MR Perfusion and Diffusion Biomarkers

2016· article· en· W2603635611 sur OpenAlexaff
Kambiz Nael, James R. Knitter, Reza Jahan, Jeffry R. Alger, Val Nenov, Zahra Ajani, Lei Feng, Brett C. Meyer, Scott Olson, Lee H. Schwamm, Albert J. Yoo, Randolph S. Marshall, Philip M. Meyers, Dileep R. Yavagal, Max Wintermark, David S. Liebeskind, Judy Guzy, Jeffrey L. Saver, Chelsea S. Kidwell

Notice bibliographique

RevueStroke · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensStuart Olson (Canada)
Organismes subventionnairesnon disponible
Mots-clésMedicineThrombolysisReceiver operating characteristicEffective diffusion coefficientInfarctionUnivariate analysisStroke (engine)Logistic regressionInternal medicineArea under the curvePenumbraPerfusion scanningDiffusion MRINuclear medicinePerfusionCardiologyRadiologyMultivariate analysisMagnetic resonance imagingIschemiaMyocardial infarction

Résumé

récupéré en direct d'OpenAlex

Purpose: Ischemic stroke patients with low cerebral blood volume (CBV), low apparent diffusion coefficient (ADC) and increased microvascular permeability (K2) have increased risk of parenchymal hemorrhage (PH) after recanalization therapies. We have developed a predictive model to examine the risk of PH following revascularization therapies using combined MR perfusion and diffusion biomarkers. Methods: Voxel-based values of rCBV, K2, and ADC from the infarction core were obtained using pre-treatment MRI data from patients enrolled in the Mechanical Retrieval and Recanalization of Stroke Clots Using Embolectomy (MR RESCUE) clinical trial. Using histogram analyses the 10 th and 90 th percentile values were calculated for the rCBV, ADC, and K2 variables for each patient. The associations between PH and extreme values of CBV (10%rCBV), ADC (10%ADC), and K2 (90%K2) in each patient were assessed in univariate and multivariate analyses. Receiver operating characteristic (ROC) analysis was performed to determine the optimal parameter/s and threshold for predicting PH. Results: In 83 patients included in this analysis, 20 (24%, 13 PH1, 7 PH2) developed PH. Univariate analysis showed significantly lower 10%rCBV and 10%ADC values and significantly higher 90%K2 values in patients with PH. After controlling for age, baseline NIHSS, infarct volume, and status of recanalization, multivariate logistic regression analysis identified 10%rCBV (p=0.002) and 90%K2 (p=0.03), but not 10%ADC (p=0.07), as independent predictors of PH. For 10%RCBV, ROC analysis showed the greatest AUC (0.87) at a threshold < 0.45 with sensitivity/specificity of 95%70%. For 90%K2, the greatest AUC (0.75) was obtained at a threshold of > 0.27 with sensitivity/specificity of 90%/60%. In a separate model, a combined K2-rCBV classifier remained the single independent predictor of PH (OR=33). Conclusion: Our results suggest that combined increased permeability and decreased rCBV derived from MR perfusion can be used for risk stratification in patients with AIS before undergoing revascularization therapies.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,237
Écart entre enseignants0,228 · 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
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueStroke→Même sujetRadiomics and Machine Learning in Medical Imaging→Travaux en français237 207→