Artificial intelligence-enabled comprehensive coronary phenotyping in patients with suspected CAD
Notice bibliographique
Résumé
Abstract Introduction The capabilities of artificial intelligence (AI) are rapidly progressing and the research community is getting increasingly interested in its possibilities. AI algorithms are able to work continuously and at high speed, reducing human workload and saving time that physicians can spend on more complex data or rarer cases. However, many clinical AI applications are currently only used in a research setting and lack proper testing and validation. Objectives This study aimed to determine the accuracy and performance of a novel AI-based software tool for CCTA analysis compared to conventional expert evaluation. Methods We evaluated 100 CCTA exams from a cohort of symptomatic patients with mild-to-moderately abnormal non-invasive ischemia test. Stenosis severity assessed by AI-based analysis (automatic evaluation, AEv) was compared with a level III expert CCTA interpretation (manual evaluation, MEv). AI-based analysis reported exact % stenosis and obstructive CAD was considered if maximal stenosis was ≥50%. Plaque phenotype was also estimated using AI algorithms. Results The study cohort was as follows: 52% male, mean age 68±10 years. The prevalence of hypertension, dyslipidemia and diabetes was 77%, 81% and 23%, respectively, and 10-year cardiovascular risk was 19±10% as predicted by Framingham risk score. Typical angina was present in 33%, of which 67% had a Canadian Cardiovascular Society angina grade ≥2. Overall prevalence of obstructive CAD determined by MEv and AEv was 25% and 21%, respectively, with a significant association between both assessments (p<0.001). When compared to MEv as reference, AEv method performed with a sensitivity, specificity, positive and negative predictive values of 0.56, 0.91, 0.58 and 0.86, respectively. Area under the curve was 0.871 (p<0.001) demonstrating high accuracy. AEv atherosclerosis quantification revealed significant differences between patients with and without obstructive CAD according to MEv: median total plaque volume (569 vs 115 mm3, p<0.001), calcified plaque volume (297 vs 19 mm3, p<0.001), non-calcified plaque volume (235 vs 71 mm, p<0.001), low-density non-calcified plaque volume (2.8 vs 1.0 mm3, p=0.023) and percent atheroma volume (16.1 vs 3.8 mm3, p<0.001). Conclusion In patients with suspected CAD and mild-to-moderately abnormal ischemia tests, a diagnostic strategy using AEv as a gatekeeper is effective, providing a quantitative stenosis evaluation with similar diagnostic performance for obstructive CAD when compared to MEv. AI-enabled approach additionally allows a fully automated quantification of coronary plaque volumes and composition, which would further enhance risk stratification. Funding Acknowledgement Type of funding sources: None.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».