Using Optical Coherence Tomography to Identify Lipid and Its Impact on Interventions and Clinical Events ― A Scoping Review ―
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
BACKGROUND: Optical coherence tomographic (OCT) imaging has enabled identification of lipid, with increasing interest in how it may affect coronary interventions and clinical outcomes. This review summarizes the available evidence around OCT identification of lipid and its effect on interventions, clinical events, and the natural history of coronary disease. METHODS AND RESULTS: We conducted a scoping review using the Medline, HealthStar, and Embase databases for articles published between 1996 and 2021. We screened 1,194 articles and identified 51 for inclusion in this study, summarizing the key findings. The literature supports a common OCT definition of lipid as low-signal regions with diffuse borders, validated against histology and other imaging modalities with acceptable intra- and inter-rater reliability. There is evidence that OCT-identified lipid at the site of stent implantation increases the risk of edge dissection, incomplete stent apposition, in-stent tissue protrusion, decreased coronary flow after stenting, side branch occlusion, and post-procedural cardiac biomarker increases. In mostly retrospective studies, lipid indices measured at non-stented sites are associated with plaque progression and the development of recurrent ischemic events. CONCLUSIONS: There is extensive literature supporting the ability of OCT to identify lipid and demonstrating a substantial impact of lipid on percutaneous coronary intervention outcomes. Future work to prospectively evaluate the effect of the characteristics of lipid-rich plaques on long-term clinical outcomes is needed.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| 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 | 0,001 |
| 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