Prognostically safe stress-only single-photon emission computed tomography myocardial perfusion imaging guided by machine learning: report from REFINE SPECT
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
AIMS: Single-photon emission computed tomography (SPECT) myocardial perfusion imaging (MPI) stress-only protocols reduce radiation exposure and cost but require clinicians to make immediate decisions regarding rest scan cancellation. We developed a machine learning (ML) approach for automatic rest scan cancellation and evaluated its prognostic safety. METHODS AND RESULTS: In total, 20 414 patients from a solid-state SPECT MPI international multicentre registry with clinical data and follow-up for major adverse cardiac events (MACE) were used to train ML for MACE prediction as a continuous probability (ML score), using 10-fold repeated hold-out testing to separate test from training data. Three ML score thresholds (ML1, ML2, and ML3) were derived by matching the cancellation rates achieved by physician interpretation and two clinical selection rules. Annual MACE rates were compared in patients selected for rest scan cancellation between approaches. Patients selected for rest scan cancellation with ML had lower annualized MACE rates than those selected by physician interpretation or clinical selection rules (ML1 vs. physician interpretation: 1.4 ± 0.1% vs. 2.1 ± 0.1%; ML2 vs. clinical selection: 1.5 ± 0.1% vs. 2.0 ± 0.1%; ML3 vs. stringent clinical selection: 0.6 ± 0.1% vs. 1.7 ± 0.1%, all P < 0.0001) at matched cancellation rates (60 ± 0.7, 64 ± 0.7, and 30 ± 0.6%). Annualized all-cause mortality rates in populations recommended for rest cancellation by physician interpretation, clinical selection approaches were higher (1.3%, 1.2%, and 1.0%, respectively) compared with corresponding ML thresholds (0.6%, 0.6%, and 0.2%). CONCLUSION: ML, using clinical and stress imaging data, can be used to automatically recommend cancellation of rest SPECT MPI scans, while ensuring higher prognostic safety than current clinical approaches.
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.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle