Clinical uncertainty in large vessel occlusion ischemic stroke: does automated perfusion imaging make a difference? An intra-rater and inter-rater agreement study
Notice bibliographique
Résumé
Background Limited research exists regarding the impact of neuroimaging on endovascular thrombectomy (EVT) decisions for late-window cases of large vessel occlusion (LVO) stroke. Objective T0 assess whether perfusion CT imaging: (1) alters the proportion of recommendations for EVT, and (2) enhances the reliability of EVT decision-making compared with non-contrast CT and CT angiography. Methods We conducted a survey using 30 patients drawn from an institutional database of 3144 acute stroke cases. These were presented to 29 Canadian physicians with and without perfusion imaging. We used non-overlapping 95% confidence intervals and difference in agreement classification as criteria to suggest a difference between the Gwet AC1 statistics (κ G ). Results The percentage of EVT recommendations differed by 1.1% with or without perfusion imaging. Individual decisions changed in 21.4% of cases (11.3% against EVT and 10.1% in favor). Inter-rater agreement (κ G ) among the 29 raters was similar between non-perfusion and perfusion CT neuroimaging (κ G =0.487; 95% CI 0.327 to 0.647 and κ G =0.552; 95% CI 0.430 to 0.675). The 95% CIs overlapped with moderate agreement in both. Intra-rater agreement exhibited overlapping 95% CIs for all 28 raters. κ G was either substantial or excellent (0.81–1) for 71.4% (20/28) of raters in both groups. Conclusions Despite the minimal difference in overall EVT recommendations with either neuroimaging protocol one in five decisions changed with perfusion imaging. Regarding agreement we found that the use of automated CT perfusion images does not significantly impact the reliability of EVT decisions for patients with late-window LVO.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».