Abstract 15710: Point-of-Care Ultrasonography: Artificial Intelligence in the Assessment of Left Ventricular Function
Notice bibliographique
Résumé
Introduction: Point-of-care ultrasonography (PoCUS) has become routine for the bedside assessment of patients. Current evidence shows that image acquisition and interpretation of left ventricular function can be achieved reliably by trained users, but evidence is lacking for interpretation by artificial intelligence. We sought to evaluate the accuracy of PoCUS devices with integrated artificial intelligence in comparison to transthoracic echocardiograms for assessment of left ventricular ejection fraction (LVEF). Methods: This is a prospective, multicenter cohort study using the KOSMOS portable ultrasound device (EchoNous, Redmon, WA). PoCUS studies included an apical four and two chamber views and were obtained by either novice trainees or experienced ultrasonographers. A real-time, automated LVEF was calculated by the device using a modified Simpson’s method. These patients also underwent a formal transthoracic echocardiogram, with image acquisition and interpretation completed by blinded ultrasonographers and level-3 trained echocardiographers, respectively. Results: A total of 449 patients were enrolled in the study with 227 and 222 studies completed by novice and experienced scanners, respectively. Images of suitable quality were obtained in 208 of the novice cohort (91.6%) and 216 of the experienced cohort (97.3%). In comparison to formal echocardiography, linear regression shows a R 2 value of 0.82 for the total cohort, and 0.85 for the novice and 0.72 in experienced scanner subgroups. Incorporating an intra-observer variability of ± 5%, the sensitivity and specificity for an abnormal (≤50%) and severely reduced (≤30%) LVEF was 99.2% and 97.7%, and 86.8% and 99%, respectively. Conclusions: Our study is one first to assess the accuracy of PoCUS devices with integrated artificial intelligence. Based on our study, a real-time, automated LVEF can be acquired by PoCUS with strong correlation to formal echocardiography. This study also highlights that diagnostic quality studies can be acquired by novice scanners with comparable accuracy to experienced scanners. This provides evidence for an immediate and inexpensive method for accurate LVEF assessment in emergent and resource-limited environments.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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) | 0,006 | 0,001 |
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 ».