Can a Trained Radiology Technician Do Arterial Obstruction Quantification in Patients With Acute Pulmonary Embolism?
Notice bibliographique
Résumé
Objectives To assess interobserver variability between a trained radiology technician (RT) and an experienced radiologist in arterial obstruction quantification using the Qanadli obstruction index (QOI), in patients diagnosed with acute pulmonary embolism (APE) at CT pulmonary angiography (CTPA). Materials and Methods A RT and a radiologist independently reviewed CTPAs of 97 consecutive, prospectively enrolled patients with APE, and calculated the QOI. They classified patients into three risk categories: high for QOI ≥40%, intermediate for QOI 20-37.5%, low for QOI <20%. Interobserver variability was investigated for QOI as a continuous variable and as a categorical variable (high, intermediate, and low-risk groups). Results Mean QOI (±SD) was 39.5±24.3% and 38.6±18.9% for the RT and the radiologist, respectively. The mean QOI was not statistically different between the RT and the radiologist (p=0.502), and the interobserver agreement was excellent (ICC=0.905). The RT classified 54 patients (55.7%) as high, 17 (17.53%) as intermediate, and 26 (26.8%) as low risk. The radiologist classified 55 patients (56.7%) as high, 22 (22.7%) as intermediate, and 20 (20.6%) as low risk. The interrater agreement for risk stratification was excellent (weighted kappa=0.844). Conclusion Once the diagnosis of APE was established, an adequately trained RT achieved an accuracy comparable to that of an experienced radiologist regarding QOI calculation and risk assessment.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,124 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».