Inter- and Intraoperator Variability in Measurement of On-Site CT-derived Fractional Flow Reserve Based on Structural and Fluid Analysis: A Comprehensive Analysis
Notice bibliographique
Résumé
Purpose To measure the inter- and intraobserver variability among operators of varying expertise in conducting CT-derived fractional flow reserve (CT FFR) measurements on-site by using structural and fluid analysis and to evaluate differences in reproducibility between two different training methods for end users. Materials and Methods This retrospective analysis of the prospectively enrolled cohort included 22 symptomatic patients who underwent both 320–detector row coronary CT angiography and catheter-derived fractional flow reserve (FFR) within 90 days. Thirteen operators of varying expertise were assigned to one of two training arms: arm 1, on-site training by a specialist in CT FFR technology; arm 2, self-training through use of written materials. After the training, all 13 operators reviewed the CT data and measured CT FFR in 24 vessels in 22 patients. Inter- and intraoperator variability and agreements between CT FFR and catheter-derived FFR measurements were evaluated. Results The overall intraclass correlation coefficient (ICC) among operators was 0.71 (95% confidence interval: 0.58, 0.83) with a mean absolute difference (± standard deviation) of 0.027 ± 0.022. The operators in arm 2 showed greater interoperator differences than those in arm 1 (0.031 ± 0.024 vs 0.023 ± 0.018; P = .024). Among operators who recalculated CT FFR, the mean CT FFR value did not significantly differ between the first and second calculations (ICC, 0.66; 95% confidence interval: 0.46, 0.87), with the medical specialists producing the lowest intraoperator variability (0.053 ± 0.060). The overall correlation coefficient between CT FFR and catheter FFR was r = 0.61, with a mean absolute difference of 0.096 ± 0.089. Conclusion Good reproducibility of CT FFR values calculated on-site on the basis of structural and fluid analysis was observed among operators of varying expertise. Face-to-face training sessions may cause less variability. Keywords: Adults, CT-Angiography, Cardiac, Computer Applications-General (Informatics), Coronary Arteries © RSNA, 2019 Supplemental material is available for this article.
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) | 0,001 | 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 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 ».