Patient-Specific Cerebral Flow Model Using Regional Flows and Multi-Objective Optimization
Notice bibliographique
Résumé
Background: Some cerebral flow models have good accuracy in predicting patient outcome, but are too complicated to be readily duplicated by others. Others are simpler, but lack accuracy in utilizing patient-specific boundary conditions. Methods: A new patient-specific cerebral flow model aimed at both simplicity and accuracy was designed and applied to predict stump pressure (SP) during balloon test occlusion (BTO). The new model simulates both a baseline and an internal carotid artery (ICA) occlusion flow model. The former involves building a novel patient-specific cerebral flow model with regional flows, where the resistances of all inlet and internal vessels were obtained using a multi-objective optimization algorithm; regional blood flows were calculated using vessel flows measured from quantitative magnetic resonance angiography (QMRA). The ICA occlusion flow model computes the new blood flows and pressures of efferent, inlet and internal vessels with the simulated occlusion of the ICA, while keeping the resistances of the peripheral, inlet and internal vessels constant. Results: The model was applied to predict SPs of four patients undergoing BTO. When aortic pressures are used, the simulated SPs demonstrate -11% to 7% error when compared to actual clinical measurements. When cuff pressures are used to approximate aortic pressures, the errors of the corresponding SPs becomes -19% to 1%. Conclusions: The proposed model flow was validated with both clinically measured blood flows and SPs. Even when cuff pressures were used to approximate aortic pressures, the reliable predicted SPs were achieved. The model may be promising for clinical use. J Neurol Res. 2021;11(3-4):37-46 doi: https://doi.org/10.14740/jnr671
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 | 0,001 |
| 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 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 ».