Prediction of small intracranial aneurysm rupture status based on combined Clinical–Radiomics model
Notice bibliographique
Résumé
Background: Accumulating small unruptured intracranial aneurysms are detected due to the improved quality and higher frequency of cranial imaging, but treatment remains controversial. While surgery or endovascular treatment is effective for small aneurysms with a high risk of rupture, such interventions are unnecessary for aneurysms with a low risk of rupture. Consequently, it is imperative to accurately identify small aneurysms with a low risk of rupture. The purpose of this study was to develop a clinically practical model to predict small aneurysm ruptures based on a radiomics signature and clinical risk factors. Methods: A total of 293 patients having an aneurysm with a diameter of less than 5 mm, including 199 patients (67.9 %) with a ruptured aneurysm and 94 patients (32.1 %) without a ruptured aneurysm, were included in this study. Digital subtraction angiography or surgical treatment was required in all cases. Data on the clinical risk factors and the features on computed tomography angiography images associated with the aneurysm rupture status were collected simultaneously. We developed a clinical-radiomics model to predict aneurysm rupture status using multivariate logistic regression analysis. The combined clinical-radiomics model was constructed by nomogram analysis. The diagnostic performance, clinical utility, and model calibration were evaluated by operating characteristic curve analysis, decision curve analysis, and calibration analysis. Results: A combined clinical-radiomics model (Area Under Curve [AUC], 0.85; 95 % confidence interval [CI], 0.757-0.947) showed effective performance in the operating characteristic curve analysis. In the validation cohort, the performance of the combined model was better than that of the radiomics model (AUC, 0.75; 95 % CI, 0.645-0.865; Delong's test p-value = 0.01) and the clinical model (AUC, 0.74; 95 % CI, 0.625-0.851; Delong's test p-value <0.01) alone. The results of the decision curve, nomogram, and calibration analyses demonstrated the clinical utility and good fitness of the combined model. Conclusion: Our study demonstrated the effectiveness of a clinical-radiomics model for predicting rupture status in small aneurysms.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 ».