Prognostic yield of imaging before and after recanalization treatments in ischemic stroke
Notice bibliographique
Résumé
OBJECTIVES: The scores to predict outcome in ischemic stroke were validated prior to the approval of modern revascularization treatments. We evaluated the accuracy of pre and post-treatment models in a recent recanalization therapy cohort and whether radiological and ultrasound findings could improve their accuracy. MATERIAL & METHODS: We included 375 anterior circulation ischemic stroke patients treated with intravenous thrombolysis or thrombectomy during 2017 and 2018. We collected demographic, clinical, and imaging data. We built pre and post-treatment logistic regression models to predict independence (modified Rankin Scale 0-2) at 3 months. The models included the Alberta Stroke Program Early CT Score (ASPECTS), infarct volume (ABC/2 method), and the Thrombolysis in Brain Ischemia (TIBI) ultrasonographic grade of recanalization. We compared areas under the receiver operating characteristic curve (AUC). RESULTS: Our preintervention model, combining neurological deficit severity, age, and admission glycemia, was not improved by the inclusion of ASPECTS (AUC 0.80 vs 0.79, P = .28). Early neurological recovery at 24-hour significantly increased prognostic performance (AUC = 0.85, P < .01), which did not change by adding final infarct volume or the persistence of arterial occlusion of the affected territory (AUC = 0.86 and 0.85, P > .05). CONCLUSIONS: Models that combine simple variables such as neurological deficit severity, age, and admission glycemia were the most useful for predicting functional outcome in ischemic stroke patients submitted to revascularization treatments. Pre and post-treatment imaging findings did not enhance prognostic accuracy when compared to the patient's clinical improvement.
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 ».