MétaCan
Menu
Retour à la cohorte
Enregistrement W4294579759 · doi:10.1186/s12880-022-00886-3

A head-to-head comparison of fast-SENC and feature tracking to LV long axis strain for assessment of myocardial deformation in chest pain patients

2022· article· en· W4294579759 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueBMC Medical Imaging · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueCardiac Imaging and Diagnostics
Établissements canadiensMcGill University Health Centre
Organismes subventionnairesUniversitätsklinikum HeidelbergDeutsche Herzstiftung
Mots-clésFeature trackingMedicineEjection fractionCardiologyInternal medicineChest painCardiac magnetic resonance imagingMagnetic resonance imagingStrain (injury)Nuclear medicineHeart failureRadiologyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Myocardial strain imaging has gained importance in cardiac magnetic resonance (CMR) imaging in recent years as an even more sensitive marker of early left ventricular dysfunction than left-ventricular ejection fraction (LVEF). fSENC (fast strain encoded imaging) and FT (feature tracking) both allow for reproducible assessment of myocardial strain. However, left-ventricular long axis strain (LVLAS) might enable an equally sensitive measurement of myocardial deformation as global longitudinal or circumferential strain in a more rapid and simple fashion. METHODS: In this study we compared the diagnostic performance of fSENC, FT and LVLAS for identification of cardiac pathology (ACS, cardiac-non-ACS) in patients presenting with chest pain (initial hscTnT 5-52 ng/l). Patients were prospectively recruited from the chest pain unit in Heidelberg. The CMR scan was performed within 1 h after patient presentation. Analysis of LVLAS was compared to the GLS and GCS as measured by fSENC and FT. RESULTS: In total 40 patients were recruited (ACS n = 6, cardiac-non-ACS n = 6, non-cardiac n = 28). LVLAS was comparable to fSENC for differentiation between healthy myocardium and myocardial dysfunction (GLS-fSENC AUC: 0.882; GCS-fSENC AUC: 0.899; LVLAS AUC: 0.771; GLS-FT AUC: 0.740; GCS-FT: 0.688), while FT-derived strain did not allow for differentiation between ACS and non-cardiac patients. There was significant variability between the three techniques. Intra- and inter-observer variability (OV) was excellent for fSENC and FT, while for LVLAS the agreement was lower and levels of variability higher (intra-OV: Pearson > 0.7, ICC > 0.8; inter-OV: Pearson > 0.65, ICC > 0.8; CoV > 25%). CONCLUSIONS: While reproducibility was excellent for both FT and fSENC, it was only fSENC and the LVLAS which allowed for significant identification of myocardial dysfunction, even before LVEF, and therefore might be used as rapid supporting parameters for assessment of left-ventricular function.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,124
Score d'incertitude au seuil0,540

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,369
Écart entre enseignants0,339 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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