Prediction of long-term recurrent ischemic stroke: the added value of non-contrast CT, CT perfusion, and CT angiography
Notice bibliographique
Résumé
PURPOSE: The aim of this study was to evaluate whether the addition of brain CT imaging data to a model incorporating clinical risk factors improves prediction of ischemic stroke recurrence over 5 years of follow-up. METHODS: A total of 638 patients with ischemic stroke from three centers were selected from the Dutch acute stroke study (DUST). CT-derived candidate predictors included findings on non-contrast CT, CT perfusion, and CT angiography. Five-year follow-up data were extracted from medical records. We developed a multivariable Cox regression model containing clinical predictors and an extended model including CT-derived predictors by applying backward elimination. We calculated net reclassification improvement and integrated discrimination improvement indices. Discrimination was evaluated with the optimism-corrected c-statistic and calibration with a calibration plot. RESULTS: During 5 years of follow-up, 56 patients (9%) had a recurrence. The c-statistic of the clinical model, which contained male sex, history of hyperlipidemia, and history of stroke or transient ischemic attack, was 0.61. Compared with the clinical model, the extended model, which contained previous cerebral infarcts on non-contrast CT and Alberta Stroke Program Early CT score greater than 7 on mean transit time maps derived from CT perfusion, had higher discriminative performance (c-statistic 0.65, P = 0.01). Inclusion of these CT variables led to a significant improvement in reclassification measures, by using the net reclassification improvement and integrated discrimination improvement indices. CONCLUSION: Data from CT imaging significantly improved the discriminatory performance and reclassification in predicting ischemic stroke recurrence beyond a model incorporating clinical risk factors only.
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 ».