Development of an in-vitro model based on patient vessel geometry for simulated use testing in neurointerventional surgery
Notice bibliographique
Résumé
BackgroundNeurointerventionalists use in-vitro vascular models to train for worst-case scenarios and test new devices in a simulated use environment to predict clinical performance. According to the Food and Drug Administration (FDA), any neurovascular navigation device should be able to successfully navigate two 360-degree turns and two 180-degree turns at the distal portion of the anatomical model. Here, we present a device benchmarking vascular model that complies with FDA recommendations.MethodsOur vascular model was assembled from quantitative characterization of 49 patients who underwent CT angiography either for acute ischemic stroke caused by large vessel occlusion or for aneurysm treatment. Following complete characterization of these data, the vascular segments were 3D reconstructed from CT angiograms of 6 selected patients that presented with challenging anatomy. The curvature and total rotational angle were calculated for each segment and the anatomical parts that complied with FDA recommendations were fused together into a single in-vitro model.ResultsThe model was constructed containing two common carotid branches arising from a type two aortic arch and the dimensions of the overall model exceeded the recommendations of the FDA. Two experienced neurointerventionalists tested the model for navigation difficulty using several devices on an in-vitro perfusion system and concluded that the model provided a realistic, challenging scenario.ConclusionsThis model provides a first prototype designed according to FDA recommendations of cumulative angle while also integrating an aggregation of actual patient-specific anatomy. The availability of this clinically relevant benchmark model presents a potential standardized approach for neurovascular device testing.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».