MétaCan
Menu
Retour à la cohorte
Enregistrement W2606210453 · doi:10.21037/cdt.2017.03.18

Infarct characterization using CT

2017· review· en· W2606210453 sur OpenAlexaff
Ludovico La Grutta, Patrizia Toia, Erica Maffei, Filippo Cademartiri, Roberto Lagalla, Massimo Midiri

Notice bibliographique

RevueCardiovascular Diagnosis and Therapy · 2017
Typereview
Langueen
DomaineMedicine
ThématiqueCardiac Imaging and Diagnostics
Établissements canadiensUniversité de MontréalMontreal Heart Institute
Organismes subventionnairesnon disponible
Mots-clésMedicinePerfusionMyocardial infarctionPopulationPerfusion scanningMyocardial perfusion imagingCardiologyInfarctionRadiologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

Myocardial infarction (MI) is a major cause of death and disability worldwide. The incidence is not expected to diminish, despite better prevention, diagnosis and treatment, because of the ageing population in industrialized countries and unhealthy lifestyles in developing countries. Nowadays it is highly requested an imaging tool able to evaluate MI and viability. Technology improvements determined an expansion of clinical indications from coronary plaque evaluation to functional applications (perfusion, ischemia and viability after MI) integrating additional phases and information in the mainstream examination. Cardiac computed tomography (CCT) and cardiac MR (CMR) employ different contrast media, but may characterize MI with overlapping imaging findings due to the similar kinetics and tissue distribution of gadolinium and iodinated contrast media. CCT may detect first-pass perfusion defects, dynamic perfusion after pharmacological stress, and delayed enhancement (DE) of non-viable territories.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,990
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0030,003
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,139
Tête enseignante GPT0,371
Écart entre enseignants0,232 · 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 tête enseignante, pas un consensus.

Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCardiovascular Diagnosis and TherapyMême sujetCardiac Imaging and DiagnosticsTravaux en français237 207