Optimizing stress-only myocardial perfusion imaging: a clinical prediction model to improve patient selection
Notice bibliographique
Résumé
BACKGROUND: Stress-only single photon emission computed tomography myocardial perfusion imaging (MPI) offers numerous advantages in terms of improved workflow, cost and radiation reduction but is currently not widely utilized due to challenges in selecting appropriate patients for this technique. METHODS: Data from 5959 individuals were used to derive (N = 4018) and validate (N = 1941) a binomial logistic regression model to predict normal stress MPI studies (stress total perfusion deficit < 4%, ejection fraction ≥ 50%). Model performance was analyzed using receiver operator characteristic curves. A simplified point-scoring system was developed and its impact on imaging workflow was assessed. RESULTS: Significant predictors of abnormal vs. normal stress MPI included male sex, age > 65 years, cardiomyopathy, congestive heart failure, myocardial infarction, angina, and pharmacological stress. The final model and simplified scoring system were associated with areas under the curve of 0.81 (95% CI 0.79-0.83) and 0.80 (95% CI 0.79-0.82) in the validation group, respectively. Use of the scoring system was estimated to result in a decrease of 56.5% in the number of non-contributory imaging studies acquired with minimal patient rescheduling. CONCLUSION: A prediction tool derived from simple clinical information can identify candidates for stress-only MPI studies with a beneficial impact on departmental workflow.
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 | 0,005 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».