Pre-screening for non-diagnostic coronary computed tomography angiography
Notice bibliographique
Résumé
Aims: Indiscriminate coronary computed tomography angiography (CCTA) referrals for suspected coronary artery disease could result in a higher rate of equivocal and non-diagnostic studies, leading to inappropriate downstream resource utilization or delayed time to diagnosis. We sought to develop a simple clinical tool for predicting the likelihood of a non-diagnostic CCTA to help identify patients who might be better served with a different test. Methods and results: We developed a clinical scoring system from a cohort of 21 492 consecutive patients who underwent CCTA between February 2006 and May 2021. Coronary computed tomography angiography study results were categorized as normal, abnormal, or non-diagnostic. Multivariable logistic regression analysis was conducted to produce a model that predicted the likelihood of a non-diagnostic test. Machine learning (ML) models were utilized to validate the predictor selection and prediction performance. Both logistic regression and ML models achieved fair discriminate ability with an area under the curve of 0.630 [95% confidence interval (CI) 0.618-0.641] and 0.634 (95% CI 0.612-0.656), respectively. The presence of a cardiac implant and weight >100 kg were among the most influential predictors of a non-diagnostic study. Conclusion: We developed a model that could be implemented at the 'point-of-scheduling' to identify patients who would be best served by another non-invasive diagnostic test.
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 | 0,009 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».