MétaCan
Menu
Retour à la cohorte
Enregistrement W4310122300 · doi:10.1212/wnl.0000000000201596

Radiomics-Derived Brain Age Predicts Functional Outcome After Acute Ischemic Stroke

2022· article· en· W4310122300 sur OpenAlexaff
Martin Bretzner, Anna K. Bonkhoff, Markus D. Schirmer, Sung‐Min Hong, Adrian V. Dalca, Kathleen Donahue, Anne‐Katrin Giese, Mark R. Etherton, Pamela M. Rist, Marco Nardin, Robert W. Regenhardt, X. Leclerc, Renaud Lopes, Morgan Gautherot, Clinton Wang, Oscar Benavente, John W. Cole, Amanda Donatti, Christoph J. Griessenauer, Laura Heitsch, Lukas Holmegaard, Katarina Jood, Jordi Jiménez-Conde, Steven J. Kittner, Robin Lemmens, Christopher Levi, Patrick F. McArdle, Caitrin W. McDonough, James F. Meschia, Chia‐Ling Phuah, Arndt Rolfs, Stefan Ropele, Jonathan Rosand, Jaume Roquer, Tatjana Rundek, Ralph L. Sacco, Reinhold Schmidt, Pankaj Sharma, Agnieszka Słowik, Alessandro Sousa, Tara M. Stanne, Daniel Strbian, Turgut Tatlisumak, Vincent Thijs, Achala Vagal, Johan Wassélius, Daniel Woo, Ona Wu, Ramin Zand, Bradford B. Worrall, Jane Maguire, Arne Lindgren, Christina Jern, Polina Golland, Grégory Kuchcinski, Natalia S. Rost

Notice bibliographique

RevueNeurology · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNational Institute of Biomedical Imaging and BioengineeringNational Institute of Neurological Disorders and StrokeNational Heart, Lung, and Blood InstituteAgence Nationale de la Recherche
Mots-clésStroke (engine)MedicineRadiomicsIschemic strokeOutcome (game theory)CardiologyBrain ischemiaInternal medicineAcute strokeIschemiaRadiologyTissue plasminogen activator

Résumé

récupéré en direct d'OpenAlex

Background and ObjectivesWhile chronological age is one of the most influential determinants of poststroke outcomes, little is known of the impact of neuroimaging-derived biological “brain age.” We hypothesized that radiomics analyses of T2-FLAIR images texture would provide brain age estimates and that advanced brain age of patients with stroke will be associated with cardiovascular risk factors and worse functional outcomes. MethodsWe extracted radiomics from T2-FLAIR images acquired during acute stroke clinical evaluation. Brain age was determined from brain parenchyma radiomics using an ElasticNet linear regression model. Subsequently, relative brain age (RBA), which expresses brain age in comparison with chronological age-matched peers, was estimated. Finally, we built a linear regression model of RBA using clinical cardiovascular characteristics as inputs and a logistic regression model of favorable functional outcomes taking RBA as input. ResultsWe reviewed 4,163 patients from a large multisite ischemic stroke cohort (mean age = 62.8 years, 42.0% female patients). T2-FLAIR radiomics predicted chronological ages (mean absolute error = 6.9 years, r = 0.81). After adjustment for covariates, RBA was higher and therefore described older-appearing brains in patients with hypertension, diabetes mellitus, a history of smoking, and a history of a prior stroke. In multivariate analyses, age, RBA, NIHSS, and a history of prior stroke were all significantly associated with functional outcome (respective adjusted odds ratios: 0.58, 0.76, 0.48, 0.55; all p-values < 0.001). Moreover, the negative effect of RBA on outcome was especially pronounced in minor strokes. DiscussionT2-FLAIR radiomics can be used to predict brain age and derive RBA. Older-appearing brains, characterized by a higher RBA, reflect cardiovascular risk factor accumulation and are linked to worse outcomes after stroke.

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 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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,459
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,012
Tête enseignante GPT0,264
Écart entre enseignants0,252 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
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

Citations38
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNeurologyMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207