Automated Calculation of Alberta Stroke Program Early CT Score
Notice bibliographique
Résumé
Background and Purpose— We compared the Alberta Stroke Program Early CT Score (ASPECTS), calculated using a machine learning-based automatic software tool, RAPID ASPECTS, as well as the median score from 4 experienced readers, with the diffusion-weighted imaging (DWI) ASPECTS obtained following the baseline computed tomography (CT) in patients with large hemispheric infarcts. Methods— CT and magnetic resonance imaging scans from the GAMES-RP study, which enrolled patients with large hemispheric infarctions (82–300 mL) documented on DWI-magnetic resonance imaging, were evaluated by blinded experienced readers to determine both CT and DWI ASPECTS. The CT scans were also evaluated by an automated software program (RAPID ASPECTS). Using the DWI ASPECTS as a reference standard, the median CT ASPECTS of the clinicians and the automated score were compared using the interclass correlation coefficient. Results— The median CT ASPECTS for the clinicians was 5 (interquartile range, 4–7), for RAPID ASPECTS 3 (interquartile range, 1–6), and for DWI ASPECTS 3 (2–4). Median error for RAPID ASPECTS was 1 (interquartile range, −1 to 3) versus 3 (interquartile range, 1–4) for clinicians ( P <0.001). The automated score had a higher level of agreement with the median of the DWI ASPECTS, both for the full scale and when dichotomized at <6 versus 6 or more (difference in intraclass correlation coefficient, P =0.001). Conclusions— RAPID ASPECTS was more accurate than experienced clinicians in identifying early evidence of brain ischemia as documented by DWI.
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 | 0,000 | 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 | 0,000 | 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 ».