The Impact of Virtual Fractional Flow Reserve and Virtual Coronary Intervention on Treatment Decisions in the Cardiac Catheter Laboratory
Notice bibliographique
Résumé
BACKGROUND: Using fractional flow reserve (FFR) to guide percutaneous coronary intervention for patients with coronary artery disease (CAD) improves clinical decision making but remains underused. Virtual FFR (vFFR), computed from angiographic images, permits physiologic assessment without a pressure wire and can be extended to virtual coronary intervention (VCI) to facilitate treatment planning. This study investigated the effect of adding vFFR and VCI to angiography in patient assessment and management. METHODS: Two cardiologists independently reviewed clinical data and angiograms of 50 patients undergoing invasive management of coronary syndromes, and their management plans were recorded. The vFFRs were computed and disclosed, and the cardiologists submitted revised plans. Then, using VCI, the physiologic results of various interventional strategies were shown and further revision was invited. RESULTS: Disclosure of vFFR led to a change in strategy in 27%. VCI led to a change in stent size in 48%. Disclosure of vFFR and VCI resulted in an increase in operator confidence in their decision. Twelve cases were reviewed by 6 additional cardiologists. There was limited agreement in the management plans between cardiologists based on either angiography (kappa = 0.31) or vFFR (kappa = 0.39). CONCLUSIONS: vFFR has the potential to alter decision making, and VCI can guide stent sizing. However, variability in management strategy remains considerable between operators, even when presented with the same anatomic and physiologic data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,050 | 0,280 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».