A Causal Classification System for Intracerebral Hemorrhage Subtypes
Notice bibliographique
Résumé
OBJECTIVE: Determining the underlying causes of intracerebral hemorrhage (ICH) is of major importance, because risk factors, prognosis, and management differ by ICH subtype. We developed a new causal CLASsification system for ICH Subtypes, termed CLAS-ICH, based on recent advances in neuroimaging. METHODS: CLAS-ICH defines 5 ICH subtypes: arteriolosclerosis, cerebral amyloid angiopathy, mixed small vessel disease (SVD), other rare forms of SVD (genetic SVD and others), and secondary causes (macrovascular causes, tumor, and other rare causes). Every patient is scored in each category according to the level of diagnostic evidence: (1) well-defined ICH subtype; (2) possible underlying disease; and (0) no evidence of the disease. We evaluated CLAS-ICH in a derivation cohort of 113 patients with ICH from Massachusetts General Hospital, Boston, USA, and in a derivation cohort of 203 patients from Inselspital, Bern, Switzerland. RESULTS: In the derivation cohort, a well-defined ICH subtype could be identified in 74 (65.5%) patients, including 24 (21.2%) with arteriolosclerosis, 23 (20.4%) with cerebral amyloid angiopathy, 18 (15.9%) with mixed SVD, and 9 (8.0%) with a secondary cause. One or more possible causes were identified in 42 (37.2%) patients. Interobserver agreement was excellent for each category (kappa value ranging from 0.86 to 1.00). Despite substantial differences in imaging modalities, we obtained similar results in the validation cohort. INTERPRETATION: CLAS-ICH is a simple and reliable classification system for ICH subtyping, that captures overlap between causes and the level of diagnostic evidence. CLAS-ICH may guide clinicians to identify ICH causes, and improve ICH classification in multicenter studies. ANN NEUROL 2023;93:16-28.
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 | 0,001 | 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 ».