MétaCan
Menu
Retour à la cohorte
Enregistrement W4302007860 · doi:10.1002/ana.26519

A Causal Classification System for Intracerebral Hemorrhage Subtypes

2022· article· en· W4302007860 sur OpenAlexaff
Nicolas Raposo, Maria Clara Zanon Zotin, David Seiffge, Qi Li, Martina Goeldlin, Andreas Charidimou, Ashkan Shoamanesh, Hans Rolf Jäger, Charlotte Cordonnier, Catharina J.M. Klijn, Eric E. Smith, Steven M. Greenberg, David J. Werring, Anand Viswanathan

Notice bibliographique

RevueAnnals of Neurology · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueIntracerebral and Subarachnoid Hemorrhage Research
Établissements canadiensUniversity of CalgaryMcMaster UniversityPopulation Health Research Institute
Organismes subventionnairesNational Institute of Neurological Disorders and StrokeNational Institute on AgingNational Institutes of HealthFoundation for the National Institutes of Health
Mots-clésIntracerebral hemorrhageMedicineNeurosciencePsychologyInternal medicineSubarachnoid hemorrhage

Résumé

récupéré en direct d'OpenAlex

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,041
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,060

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,041
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0110,003
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0020,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,085
Tête enseignante GPT0,346
Écart entre enseignants0,261 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations66
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnals of NeurologyMême sujetIntracerebral and Subarachnoid Hemorrhage ResearchTravaux en français237 207