An Enhanced Patient-Specific Computer Model Using an Iterative Multi-Staged Algorithm
Notice bibliographique
Résumé
Background: A previously introduced patient-specific computer model was applied to predict outcomes of the balloon occlusion test (BOT). The goal of this work was to propose an enhanced patient-specific computer model using a new iterative multi-staged algorithm. Method: This work presents an enhanced patient-specific computer model which converts several more terminals from generic, to patient-specific, resistances and also makes the aortic pressure and the stiffness coefficient patient-specific. A new iterative multi-staged algorithm is proposed to determine the terminal resistances, the aortic pressure, and the stiffness coefficient using vessel sizes and vessel flows measured by quantitative magnetic resonance angiography (qMRA) and cuff pressure. The predictions of the BOT were also evaluated for the validation of the proposed model. Results: The predictions from the proposed model were accurate in comparison with the clinical outcomes of the two BOTs. The computed stiffness coefficients were consistent with the ages of the two patients. The correlation coefficients between the flow measurements and the computed flows using the proposed computer model at baseline for the two patients were 0.9861 and 0.9995, respectively. The computed aortic pressures were also comparable in waveform shape with the actual aortic pressure measurements obtained during the BOT using a catheter-transducer. Conclusion: The present study makes the computer model more patient-specific with a new algorithm using non-invasive data from qMRA and cuff pressure. The six more sectors have made the terminal resistances more patient-specific. The patient-specific aortic pressure has made the forcing function patient-specific. And the stiffness coefficient has made the compliance patient-specific. J Neurol Res. 2017;7(3):25-38 doi: https://doi.org/10.14740/jnr435w
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».