The Utility of Automated ASPECTS in Acute Ischemic Stroke for Intravenous Recombinant Tissue Plasminogen Activator (IV-rtPA) Therapy
Notice bibliographique
Résumé
Purpose: This study aimed to investigate the accuracy and clinical significance of an artificial intelligence (AI)-based automated Alberta Stroke Program Early Computed Tomography (ASPECT) scoring software of head CT for the indication of intravenous recombinant tissue plasminogen activator (rt-PA) therapy. Methods: This study included two populations of acute ischemic stroke: one comprised patients who had undergone head CT within 48 h of presentation (Population #1, n = 448), while the other included patients within 4.5 h from onset (Population #2, n = 132). The primary endpoint was the concordance rate of ASPECTS of the neurologists and AI software against the benchmark score. The secondary endpoints were to validate the accuracy of the neurologist and AI software in assessing the ability to rule out extensive infarction (ASPECTS of 0–5) in population #2. Results: The reading accuracy of AI software was comparable to that of the board-certified vascular neurologists. The detection rate of cardiogenic cerebral embolism was better than that of atherothrombotic cerebral infarction. By excluding extensive infarction, AI-software showed a higher specificity and equivalent sensitivity compared to those of experts. Conclusions: The AI software for ASPECTS showed convincing agreement with expert evaluation and would be supportive in determining the indications of intravenous rt-PA therapy.
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 | 0,005 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».