Computation Tomography (CT)-Based Evaluation of Temporal Changes in Lung Abnormalities During the Recovery Stage in COVID-19 In-Hospital Patients
Notice bibliographique
Résumé
Abstract Objectives: To assess the late phase CT changes of COVID-19 patients, and figure out factors predicting lung abnormality in late phase. Methods: We conducted a retrospective study on 42 patients (14 males, 28 females; age 65±10 years) with COVID-19 admitted between February 7, 2020 and March 27, 2020. Only patients with at least 3 CT scans taken at least 3 weeks after initial symptom onset were included in the study. CT images were analyzed by 2 independent radiologists using different scoring: (1) area-based scoring (ABS); and (2) intensity-weighted scoring (IWS). Temporal changes in the average lung lesion were evaluated by averaged area under the curve (AUC) of the CT score-time curve. Correlations between averaged AUCs and clinical characteristics were determined. Results : Temporal changes in lung abnormalities during recovery (weeks 3 through 8) of CT findings using the ABS system were variable (P=0.934). By contrast, the IWS system detected more subtle changes in lung abnormalities during the late phase of recovery in COVID-19 patients, with consistent week-to-week relative reductions in IWS (P=0.025). In assessing the correlation between averaged AUCs and clinical characteristics, strong relationships were observed with D-dimer and C-reactive protein (CRP) levels on admission, with hazard ratios (HR)(95%CI) of 5.32 (1.25-22.6)(P=0.026) and 1.05 (1.10-1.09)(P=0.017), respectively. Conclusion : Our results suggest an intensity-weighted rather than area-based scoring system is more sensitive to detect subtle temporal CT changes in COVID-19, with D-dimer and CRP levels on admission being predictive of the time course of late phase recovery from the disease.
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 | 0,043 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,010 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,006 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».