E-Point Septal Separation Accuracy for the Diagnosis of Mild and Severe Reduced Ejection Fraction in Emergency Department Patients
Notice bibliographique
Résumé
Introduction: In the Emergency Department (ED), a thorough cardiovascular evaluation cannot be accomplished only with physical examination. E-Point Septal Separation (EPSS) measure through Point-of-Care Ultrasound (POCUS) has been used to evaluate systolic function in echocardiography. We analyzed EPSS for diagnosis of Left Ventricle Ejection Fraction <50% and ≤40% in ED patients. Methods: Retrospective analysis of a convenience sample of patients presenting to ED with chest pain or dyspnea who underwent admission POCUS evaluation by Internal Medicine Specialist unaware of Transthoracic Echocardiogram. Accuracy was assessed with sensitivity, specificity, likelihood ratios (LR) and Receiver operating characteristics (ROC) curve. The best cut off point was calculated using Youden Index. Results: Ninety-six patients were included. Median EPSS and LVEF were 10mm and 41% respectively. Area Under the ROC Curve (AUC-ROC) to diagnose a LVEF <50% was 0.90 (IC95% 0.84-0.97). Youden Index was 0.71 with cut off point EPSS at 9.5mm, performing with a sensitivity of 0.80, a specificity of 0.91, a positive LR of 9.8 and a negative LR of 0.2. AUC-ROC to diagnose a LVEF ≤40% was 0.91 (IC95% 0.85-0.97). Youden Index was 0.71 with a cut off point EPSS at 9.5mm, performing with a sensitivity of 0.91 and specificity of 0.80, a positive LR of 4.7 and a negative LR of 0.1. Conclusion: EPSS can reliably diagnose reduced LVEF in a set of ED patients with cardiovascular symptoms. A cut off point at 9.5 mm has good sensitivity, specificity and Likelihood ratios.
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 ».