Assessment of atherosclerotic plaque burden: comparison of AI-QCT versus SIS, CAC, visual and CAD-RADS stenosis categories
Notice bibliographique
Résumé
This study assesses the agreement of Artificial Intelligence-Quantitative Computed Tomography (AI-QCT) with qualitative approaches to atherosclerotic disease burden codified in the multisociety 2022 CAD-RADS 2.0 Expert Consensus. 105 patients who underwent cardiac computed tomography angiography (CCTA) for chest pain were evaluated by a blinded core laboratory through FDA-cleared software (Cleerly, Denver, CO) that performs AI-QCT through artificial intelligence, analyzing factors such as % stenosis, plaque volume, and plaque composition. AI-QCT plaque volume was then staged by recently validated prognostic thresholds, and compared with CAD-RADS 2.0 clinical methods of plaque evaluation (segment involvement score (SIS), coronary artery calcium score (CACS), visual assessment, and CAD-RADS percent (%) stenosis) by expert consensus blinded to the AI-QCT core lab reads. Average age of subjects were 59 ± 11 years; 44% women, with 50% of patients at CAD-RADS 1-2 and 21% at CAD-RADS 3 and above by expert consensus. AI-QCT quantitative plaque burden staging had excellent agreement of 93% (k = 0.87 95% CI: 0.79-0.96) with SIS. There was moderate agreement between AI-QCT quantitative plaque volume and categories of visual assessment (64.4%; k = 0.488 [0.38-0.60]), and CACS (66.3%; k = 0.488 [0.36-0.61]). Agreement between AI-QCT plaque volume stage and CAD-RADS % stenosis category was also moderate. There was discordance at small plaque volumes. With ongoing validation, these results demonstrate a potential for AI-QCT as a rapid, reproducible approach to quantify total plaque burden.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».