Prédiction de la recanalisation des accidents vasculaires cérébraux ischémiques traités par voie endovasculaire à partir des données radiomiques du thrombus
Notice bibliographique
Résumé
Introduction La recanalisation au premier passage (first-pass effect [FPE]) est corrélé avec un bon résultat fonctionnel chez les patients victimes d'accident vasculaire cérébral ischémique. Il est également utilisé comme un marqueur d'efficacité de la thrombectomie mécanique (TM). Dans cette étude, on évalue la performance d'un modèle prédictif de deep learning basé sur les données radiomiques du thrombus en comparaison avec des experts et les données radiologiques non radiomiques du thrombus. Méthodes Les données viennent de l'essai “The Efficacy and Safety of Nerinetide for the Treatment of Acute Ischemic Stroke” (ESCAPE-NA1) qui a comparé le neuroprotecteur nerinetide au placebo chez les patients recevant une TM. Nous avons inclus tous patients avec des examens tomodensitométriques (TDM) et angio-TDM disposant de coupes fines (épaisseur ?2.5 mm). La segmentation manuelle des thrombi était réalisée par des radiologues entrainés. Nous avons divisé les données en 3 échantillons: échantillon de dérivation (entrainement [n=388] et validation [n=55]) et de test (n=111). Le modèle prédictif a été comparé à trois experts en neurovasculaire et aux données non radiomiques du thrombus (longueur, volume, densité et perméabilité du thrombus) pour la prédiction du FPE sur l’échantillon test en utilisant l'aire sous la courbe ROC (AUC-ROC). Résultats Parmi les 554 patients inclus, FPE était observé dans 176 (31.7%) patients. Un modèle prédictif en utilisant les données radiomiques du thrombus sur la TDM a été développé et testé. Ce modèle était le plus performant pour la prédiction de FPE (AUC=0.74 [95% CI: 0.64, 0.84]). Ce modèle était supérieur aux trois experts (AUC= 0.62 [95% CI: 0.53, 0.71], p=0.01) et aux caractéristiques non radiomiques du thrombus (AUC= 0.53 [95% CI: 0.44,0.63], p<0.001). Conclusion Un modèle prédictif basé sur la radiomique du thrombus en TDM performe mieux que les experts et les données non-radiomiques du thrombus pour la prédiction du FPE au cours de TM.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».