Prediction of left ventricular ejection fraction improvement in patients with ischemic cardiomyopathy after coronary artery bypass grafting based on cardiac magnetic resonance
Notice bibliographique
Résumé
Background: To investigate the risk factors of left ventricular ejection fraction (LVEF) improvement in patients with ischemic cardiomyopathy (ICM) after coronary artery bypass grafting (CABG), and to construct a model that predicts LVEF improvement. Methods: A retrospective analysis was performed on 106 ICM patients who received CABG and underwent cardiac magnetic resonance (CMR) at Beijing Anzhen Hospital, Capital Medical University from January 2017 to June 2022. Patients were divided into two groups with improved LVEF and no improved LVEF based on the results of postoperative 6-month transthoracic echocardiography. To analyze the risk factors affecting the LVEF non-improvement after CABG and establish a prediction model. Results: There was LVEF non-improvement in 30.2% (32/106) of patients. Multivariate analysis showed that the number of transmural scar segments and left ventricular end-systolic volume index (LVESVI) were independent risk factors in LVEF non-improvement after CABG [odds ratio (OR) =2.398, 95% confidence interval (CI): 1.607–3.579, P<0.001; OR =1.036, 95% CI: 1.009–1.063, P=0.008]. The model is built and internally verified. ROC showed that the area under the curve (AUC) was 0.866 (95% CI: 0.792–0.940), calibration curve showed that the probability predicted by the model matched well with the clinical results, and decision curve analysis (DCA) showed that the model had good clinical applicability. During the mean follow-up time of 1.5 years, the incidence of major adverse cardiovascular and cerebrovascular events (MACCE) in the LVEF non-improvement group was higher (5.4% vs. 25.0%, P=0.009), and the NYHA grading was higher (P=0.016), when compared to the LVEF improvement group. Conclusions: The prediction model based on the number of transmural scar segments and LVESVI has good diagnostic efficacy. Our findings help to identify patients with improved LVEF and thus guide the selection of clinical treatment strategies.
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 | 0,003 |
| 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 | 0,000 | 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) | 0,001 | 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 ».