Diagnostic Accuracy of Cardiac Magnetic Resonance Versus Fractional Flow Reserve: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: Fractional flow reserve (FFR) is considered the gold standard for diagnosis of coronary artery disease (CAD). Stress Cardiac magnetic resonance (SCMR) has been recently gaining traction as a non-invasive alternative to FFR. METHODS: Studies comparing the diagnostic accuracy of SCMR versus FFR were identified and analyzed using Review Manager (RevMan) 5.3 and Stata software. RESULTS: A total of 28 studies, comprising 2,387 patients, were included. The pooled sensitivity and specificity for SCMR were 86% and 86% at the patient level, and 82% and 88% at the vessel level, respectively. When the patient-level data were stratified based on the FFR thresholds, higher sensitivity and specificity (both 90%) were noted with the higher cutoff (0.75) and lower cutoff (0.8), respectively. At the vessel level, sensitivity and specificity at the lower FFR threshold were significantly higher at 88% and 89%, compared to the corresponding values for higher cutoff at 0.75. Similarly, meta-regression analysis of SCMR at higher (3T) resolution showed a higher sensitivity of 87% at the patient level and higher specificity of 90% at the vessel level. The highest sensitivity and specificity of SCMR (92% and 94%, respectively) were noted in studies with CAD prevalence greater than 60%. CONCLUSIONS: SCMR has high diagnostic accuracy for CAD comparable to FFR at a spatial resolution of 3T and an FFR cut-off of 0.80. An increase in CAD prevalence further improved the specificity of SCMR.
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 | 0,006 | 0,107 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,023 | 0,007 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».