MétaCan
Menu
Retour à la cohorte
Enregistrement W2981155187 · doi:10.1093/ehjci/jez145.007

243Quality assurance metrics for routine clinical PET rubidium-82 myocardial blood flow quantification

2019· article· en· W2981155187 sur OpenAlexaff
Jennifer M. Renaud, M. D. Wiles, May Aung, Kimberly Gardner, A. Guo, Linda Garrard, Rob Beanlands, Robert A. deKemp

Notice bibliographique

RevueEuropean Heart Journal - Cardiovascular Imaging · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueMedical Imaging Techniques and Applications
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésRubidiumBlood flowMedicineMedical physicsNuclear medicineCardiologyComputer scienceMaterials science

Résumé

récupéré en direct d'OpenAlex

Introduction: Rubidium-82 (Rb82) PET myocardial perfusion imaging (MPI) is becoming more widely used due to superior diagnostic accuracy and availability without an onsite cyclotron. For optimal myocardial blood flow (MBF) quantification with low test-retest variability, the injected Rb82 activity should be accurate, precise and delivered consistently over a short time interval. We evaluated PET MBF data obtained in a clinical setting using constant-activity-rate infusions from a new Rb82 elution system to identify useful quality assurance parameters and establish their normal limits. Methods: 4,006 patients underwent rest-stress dynamic 3D PET imaging (8,012 scans) using 10 MBq/kg, 30s constant-activity-rate ‘square-wave’ infusions of Rb82 over a 2.5-year period (680 imaging days). To obtain regional MBF estimates, a 1-tissue-compartment model was fit to the dynamic image data from 0-6 min after injection. MBF image quality was determined from the model goodness-of-fit (R²) polar-maps and K1 SNR = mean/standard deviation (SD), and evaluated vs. patient weight. Reliability of the MBF estimates was assessed using two derived quality assurance metrics to identify outlier values: i) total rest + stress K1 coefficient-of-variation (COV = SD/mean), and ii) log(rest/stress K1 COV). Results: Kinetic model R² values were excellent on average: 0.98 ± 0.2 at rest and 0.98 ± 0.3 at stress, indicating that there was high quality fitting of the model across the population sample. SNR values were excellent, with slightly higher image quality at rest vs. stress (61 ± 18 vs 47 ± 15, p < 0.001). There was no correlation of image quality with weight, indicating that uniform image quality was maintained regardless of patient size. Total rest + stress K1 COV < 10% was determined to be a useful limit to identify outliers with potential modeling or image quality issues; 14 patients (0.35%) were outside the median + 5 × IQR range using this criterion. For the log(rest/stress K1 COV), the population median ± 3 × IQR = [-1.65, 1.15] was found to be robust for identifying outliers, with only 0.27%, or 11 patients falling outside this range. QA evaluation of the outliers revealed that the majority of the dynamic images contained patient motion, suggesting that the resultant MBF (K1) values may not reliable in these cases. Conclusion: A 1-compartment kinetic model applied to dynamic Rb82 PET data obtained with 30s constant-activity-rate ‘square-wave’ infusions results in uniformly high-quality estimates of K1 and MBF. With the weight-based 10 MBq/kg dosing, image quality is consistently high over a wide range of patient weights. Total rest + stress K1 COV < 10% and log(rest/stress K1 COV) in the range of [-1.65, 1.15] are useful quality assurance metrics to identify outliers requiring investigation of potential technical issues, including patient motion. Abstract 243 Figure. Supporting Figure

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,013
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,589
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0130,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,076
Tête enseignante GPT0,371
Écart entre enseignants0,294 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Heart Journal - Cardiovascular ImagingMême sujetMedical Imaging Techniques and ApplicationsTravaux en français237 207