Prospective evaluation of an AI algorithm for real-time LVEF assessment in acute coronary syndrome using left coronary angiograms: the CathEF multicenter study
Notice bibliographique
Résumé
Abstract Background Acute assessment of Left Ventricular Ejection Fraction (LVEF) is critical at time of percutaneous coronary intervention to optimize clinical management. The CathEF artificial intelligence algorithm offers a novel approach for real-time, intra-procedural LVEF assessment using routinely obtained left coronary artery angiograms without additional dye use[1]. Our objective was to evaluate the real-time application of the CathEF algorithm for LVEF measurement during coronary angiogram procedures in patients with acute coronary syndrome (ACS) and to compare its performance with transthoracic echocardiography (TTE) and left ventriculography. Methods The CathEF study is a prospective multi-center study that recruited ACS patients undergoing coronary angiography at two institutions from July 2022 to July 2023. Using the CathEF algorithm and the PACS-AI software, we analyzed 2 to 4 left coronary angiogram videos per procedure for LVEF assessment to compare to ventriculography (if indicated) and echocardiography performed during the same hospitalization. Operators were blinded to the CathEF AI-generated results. The primary measure was the algorithm's area under the receiving-operating characteristic curve (AUC) in identifying LVEF <40% or ≥40% compared to TTE-LVEF. Results 240 patients (32% female, average age 66 ± 12 years) were enrolled, with 207 undergoing TTE during index hospitalization (coronary angiogram to TTE mean delay of 0.8±6.3 days). The CathEF algorithm analyzed 881 coronary angiogram videos, averaging 3.12±1.66 per patient. Indications for angiography included unstable angina (18%), NSTEMI (47%), and STEMI (35%). The algorithm took under one minute to apply. CathEF’s performance yielded an AUC of 0.90 (95% CI, 0.840-0.96) and an MAE of 6.81% ± 0.43, with a Spearman correlation of 0.52. Conclusions This study provides proof-of-concept for prospective deployment of an AI algorithm at point-of-care with reliable LVEF measurement in real-time during ACS. This innovation holds the potential to ensure all ACS patients can receive prompt and appropriate care based on their LVEF.CathEF algorithm applied to an angiogramPACS-AI : Platform used to apply CathEF
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».