Patient-Specific Myocardial Infarction Risk Thresholds From AI-Enabled Coronary Plaque Analysis
Notice bibliographique
Résumé
BACKGROUND: Plaque quantification from coronary computed tomography angiography has emerged as a valuable predictor of cardiovascular risk. Deep learning can provide automated quantification of coronary plaque from computed tomography angiography. We determined per-patient age- and sex-specific distributions of deep learning-based plaque measurements and further evaluated their risk prediction for myocardial infarction in external samples. METHODS: In this international, multicenter study of 2803 patients, a previously validated deep learning system was used to quantify coronary plaque from computed tomography angiography. Age- and sex-specific distributions of coronary plaque volume were determined from 956 patients undergoing computed tomography angiography for stable coronary artery disease from 5 cohorts. Multicenter external samples were used to evaluate associations between coronary plaque percentiles and myocardial infarction. RESULTS: =0.001) were at increased risk of myocardial infarction compared with patients below the 50th percentile. Similar relationships were seen for most plaque volumes and persisted in multivariable analyses adjusting for clinical characteristics, coronary artery calcium, stenosis, and plaque volume, with adjusted hazard ratios ranging from 2.38 to 2.50 for patients in the ≥75th percentile of total plaque volume. CONCLUSIONS: Per-patient age- and sex-specific distributions for deep learning-based coronary plaque volumes are strongly predictive of myocardial infarction, with the highest risk seen in patients with coronary plaque volumes in the ≥75th percentile.
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 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».