Diagnostic Accuracy of Non-Invasive Thermal Evaluation of Ventriculoperitoneal Shunt Flow in Shunt Malfunction: A Prospective, Multi-Site, Operator-Blinded Study
Notice bibliographique
Résumé
BACKGROUND: Thermal flow evaluation (TFE) is a non-invasive method to assess ventriculoperitoneal shunt function. Flow detected by TFE is a negative predictor of the need for revision surgery. Further optimization of testing protocols, evaluation in multiple centers, and integration with clinical and imaging impressions prompted the current study. OBJECTIVE: To compare the diagnostic accuracy of 2 TFE protocols, with micropumper (TFE+MP) or without (TFE-only), to neuro-imaging in patients emergently presenting with symptoms concerning for shunt malfunction. METHODS: We performed a prospective multicenter operator-blinded trial of a consecutive series of patients who underwent evaluation for shunt malfunction. TFE was performed, and preimaging clinician impressions and imaging results were recorded. The primary outcome was shunt obstruction requiring neurosurgical revision within 7 d. Non-inferiority of the sensitivity of TFE vs neuro-imaging for detecting shunt obstruction was tested using a prospectively determined a priori margin of -2.5%. RESULTS: We enrolled 406 patients at 10 centers. Of these, 68/348 (20%) evaluated with TFE+MP and 30/215 (14%) with TFE-only had shunt obstruction. The sensitivity for detecting obstruction was 100% (95% CI: 88%-100%) for TFE-only, 90% (95% CI: 80%-96%) for TFE+MP, 76% (95% CI: 65%-86%) for imaging in TFE+MP cohort, and 77% (95% CI: 58%-90%) for imaging in the TFE-only cohort. Difference in sensitivities between TFE methods and imaging did not exceed the non-inferiority margin. CONCLUSION: TFE is non-inferior to imaging in ruling out shunt malfunction and may help avoid imaging and other steps. For this purpose, TFE only is favored over TFE+MP.
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 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».