Collateral Automation for Triage in Stroke: Evaluating Automated Scoring of Collaterals in Acute Stroke on Computed Tomography Scans
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Computed tomography angiography (CTA) collateral scoring can identify patients most likely to benefit from mechanical thrombectomy and those more likely to have good outcomes and ranges from 0 (no collaterals) to 3 (complete collaterals). In this study, we used a machine learning approach to categorise the degree of collateral flow in 98 patients who were eligible for mechanical thrombectomy and generate an e-CTA collateral score (CTA-CS) for each patient (e-STROKE SUITE, Brainomix Ltd., Oxford, UK). Three experienced neuroradiologists (NRs) independently estimated the CTA-CS, first without and then with knowledge of the e-CTA output, before finally agreeing on a consensus score. Addition of the e-CTA improved the intraclass correlation coefficient (ICC) between NRs from 0.58 (0.46-0.67) to 0.77 (0.66-0.85, p = 0.003). Automated e-CTA, without NR input, agreed with the consensus score in 90% of scans with the remaining 10% within 1 point of the consensus (ICC 0.93, 0.90-0.95). Sensitivity and specificity for identifying favourable collateral flow (collateral score 2-3) were 0.99 (0.93-1.00) and 0.94 (0.70-1.00), respectively. e-CTA correlated with the Alberta Stroke Programme Early CT Score (Spearman correlation 0.46, p < 0.001) highlighting the value of good collateral flow in maintaining tissue viability prior to reperfusion. In conclusion, -e-CTA provides a real-time and fully automated approach to collateral scoring with the potential to improve consistency of image interpretation and to independently quantify collateral scores even without expert rater input.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 découle