MétaCan
Menu
Retour à la cohorte
Enregistrement W4392488827 · doi:10.1161/svin.03.suppl_2.249

Abstract 249: In‐silico Versus In‐Vitro Evaluation of a New Stent‐Retriever Design: A Novel Approach to Pre‐clinical Development

2023· article· en· W4392488827 sur OpenAlexaboutno aff
Sara Bridio, Praneeta R. Konduri, Shashvat M. Desai, Nerea Arrarte Terreros, Giulia Luraghi, Kunakorn Atchaneeyasakul, Virginia Fregona, José Félix Rodríguez Matas, Francesca Berti, Dileep R. Yavagal, Albert J. Yoo, Charles B.L.M. Majoie, Ashutosh P. Jadhav, Henk A. Marquering, Francesco Migliavacca

Notice bibliographique

RevueStroke Vascular and Interventional Neurology · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueCerebrovascular and Carotid Artery Diseases
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésIn silicoLabrador RetrieverMedicineBiomedical engineeringComputational biologyBiologyPathologyGenetics

Résumé

récupéré en direct d'OpenAlex

Introduction In‐vitro evaluation (analysis in a bench top flow model) is the gold standard and a regulatory requirement for pre‐clinical investigation of devices being developed for endovascular thrombectomy (EVT). In‐silico evaluation (computer simulated analysis in a virtual stroke model) has the potential to test and optimize large number of stent‐retriever design variations in a relatively time and cost‐effective manner. Further, new design concepts can be tested across multiple anatomical scenarios. We aim to validate the utility of in‐silico evaluation when compared with in‐vitro evaluation for the SuperNova Stent‐retriever. Methods In‐silico analysis was performed using a virtual thrombectomy model, built using data from a fine‐grained finite‐element model, to estimate the probability of successful recanalization and emboli in new/distal territory. Neurovascular anatomy of the virtual model was built based on digital subtraction angiography of an in‐vitro model (Sim Agility, Mentice, Inc). Gravity Medical Technology’s SuperNova Stent‐retriever was the device under investigation‐ physical device for in‐vitro analysis and virtual replica for in‐silico analysis (built using finite element analysis incorporating various physical metrics of the stent‐retriever). Experiments performed for in‐vitro analysis were replicated for in‐silico analysis. Multiple thrombectomy scenarios were defined and validation analysis was performed. Data was analyzed using SPSS 23 (IBM, Armonk, NY) Results We defined multiple thrombectomy scenarios including 1 cm red blood clot in M1 artery, 2 cm bifurcation M1‐M2 red blood clot (Y‐shaped clot), 1 cm white blood clot in M1 artery, and 1 cm white blood clot in superior M2 artery. The figure below demonstrates a pictorial representation of the first scenario‐ 1 cm red blood clot in M1 artery followed by mechanical thrombectomy simulation using the SuperNova stent‐retriever. Per our in‐vitro analysis (10 thrombectomy experiments), the rate of first pass effect and the rate of complete recanalization after a maximum of 3 passes using SuperNova stent‐retriever was 50% and 90%, respectively. Complete data from in‐silico analysis is being generated and will be presented at the conference. Preliminary data suggests high degree of concordance. Conclusion In‐silico analysis has the potential to improve and expedite pre‐clinical thrombectomy device development. Further studies are required to better understand the scope and potential of this technology.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,133
Tête enseignante GPT0,366
Écart entre enseignants0,233 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueStroke Vascular and Interventional NeurologyMême sujetCerebrovascular and Carotid Artery DiseasesTravaux en français237 207