Relationship of age, atherosclerosis and angiographic stenosis using artificial intelligence
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
OBJECTIVE: The study evaluates the relationship of coronary stenosis, atherosclerotic plaque characteristics (APCs) and age using artificial intelligence enabled quantitative coronary computed tomographic angiography (AI-QCT). METHODS: This is a post-hoc analysis of data from 303 subjects enrolled in the CREDENCE (Computed TomogRaphic Evaluation of Atherosclerotic Determinants of Myocardial IsChEmia) trial who were referred for invasive coronary angiography and subsequently underwent coronary computed tomographic angiography (CCTA). In this study, a blinded core laboratory analysing quantitative coronary angiography images classified lesions as obstructive (≥50%) or non-obstructive (<50%) while AI software quantified APCs including plaque volume (PV), low-density non-calcified plaque (LD-NCP), non-calcified plaque (NCP), calcified plaque (CP), lesion length on a per-patient and per-lesion basis based on CCTA imaging. Plaque measurements were normalised for vessel volume and reported as % percent atheroma volume (%PAV) for all relevant plaque components. Data were subsequently stratified by age <65 and ≥65 years. RESULTS: ; p<0.004) while younger patients had more %PAV (LD-NCP) (1.5% vs 0.7%; p<0.038). Younger patients had more PV, LD-NCP, NCP and lesion lengths in obstructive compared with non-obstructive lesions. There were no differences observed between lesion types in older patients. CONCLUSION: AI-QCT identifies a unique APC signature that differs by age and degree of stenosis and provides a foundation for AI-guided age-based approaches to atherosclerosis identification, prevention and treatment.
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 | 0,000 | 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 découle