Abstract WP134: Door to Angiography in Large Vessel Occlusions Pre and Post Implementation of Automated Image Interpretation and Sharing Platform: A Single Center Study
Notice bibliographique
Résumé
Background: Viz LVO is an FDA approved software that uses artificial intelligence to identify large vessel occlusions (LVOs) on computed tomography angiography (CTA) and facilitate communication between providers in a hub-and-spoke network. Whether this software expedites patient evaluation for treatment is unexplored. Methods: A single center retrospective registry was queried for patients with LVO of the internal carotid, proximal middle cerebral, or basilar artery in a stroke network (8 spokes, 1 hub). Eligible patients were in a 6-month period before (pre-Viz) and following implementation (post-Viz) of Viz LVO. Descriptive statistics and robust regression modeling were used to describe time from first contact to angiography (primary outcome) and other intervals between pre-Viz and post-Viz study groups. Results: Of 132 included patients (n=58 pre-Viz), small differences were found in demographics and non-significantly fewer patients underwent endovascular therapy (EVT) in the post-Viz period (73.0% vs. 86.2%, p=0.07). Time from spoke arrival to hub arrival among transferred patients was non-significantly shorter post-Viz (median 124 vs. 147 min, p=0.15). In patients who received EVT, there was a non-significant reduction in time from first contact to angiography (median 116 vs. 155 min, p=0.10) with shorter intervals for transferred patients (median 142 vs. 169 min, p=0.05) but not hub arrivals (p=0.81). For transferred patients, shorter intervals from initial contact to angiography were observed in adjusted robust regression, accounting for stroke severity, age, Alberta Stroke Program Early Computed Tomography Scale score, and use of perfusion imaging (β -32.4, 95% confidence interval -61.6 to -3.26, p=0.03). Conclusions: Implementation of the Viz LVO platform was associated with shorter intervals between initial hospital contact and neurointervention among transferred patients. Larger datasets are needed to validate these observations.
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 | 0,005 |
| 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 | 0,001 | 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) | 0,005 | 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 ».