Abstract 14708: Cardiovascular Calcium Scoring by Deep Learning is Predictive of Mortality in Emergency Department Patients
Notice bibliographique
Résumé
Introduction: Computed tomography (CT) imaging is widely used in the emergency department (ED) setting. Calcifications of the coronary arteries, heart valves, and aorta are common incidental findings that may herald clinical or subclinical cardiovascular disease. Hypothesis: We sought to determine whether the quantitative burden of cardiovascular calcifications, as measured by a CT-based deep learning pipeline, would be predictive of short-term mortality in a diverse population of ED patients. Methods: We conducted a prospective single-center cohort study nested in the Quebec COVID-19 Biobank from March 2020 to September 2021. For the purposes of this study, we enlisted adult patients presenting to the ED with cardiopulmonary symptoms who were tested for COVID-19 and underwent CT imaging of the chest. We used a deep learning model previously developed by our team to automate the quantitative scoring of coronary artery calcification (CAC), aortic valve calcification (AVC), mitral annular calcification (MAC), and thoracic aorta calcification (TAC) from the CT images. These calcium scores were categorized as sex-stratified tertiles plus a zero-score referent category. The primary outcome was all-cause mortality at 30 and 90 days adjusted for age, sex, and COVID-19 status using multivariable logistic regression. Results: The study sample consisted of 731 ED visits among 271 unique patients with a mean age of 66 years and 47% females. COVID-19 illness was the main diagnosis in 29% of ED visits. The prevalence of any quantifiable calcification was 51% for CAC, 33% for AVC, 23% for MAC, and 80% for TAC. The statistically significant adjusted odds ratios for mortality were 2.50 (1.08, 5.81) in the highest AVC tertile at 30 days, 2.73 (1.37 5.47) in the highest CAC tertile at 90 days, and 4.42 (1.01, 19.4) in the highest TAC tertile at 90 days. These odds ratio remained similar after further adjustment for past history of myocardial infarction or heart failure. Conclusions: High calcium scores in the coronary arteries, aortic valve, and thoracic aorta are associated with heightened 30-day mortality in ED patients. Deep learning quantification of calcium scores from clinical CT scans is an opportunistic approach for risk stratification.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».