Fractional flow reserve measurement using dynamic CT perfusion imaging in patients with coronary artery disease
Notice bibliographique
Résumé
Abstract Purposes The objective was to evaluate the accuracy of a novel CT dynamic angiographic imaging (CT-DAI) algorithm for rapid fractional flow reserve (FFR) measurement in patients with coronary artery disease (CAD). Materials and Methods This retrospective study included 14 patients (age 58.5 ± 10.6 years, 11 males) with CAD who underwent stress dynamic CT myocardial perfusion scanning with a dual-source CT scanner. The included patients had analyzable proximal and distal coronary artery segments adjacent to the stenosis in the perfusion images and had corresponding invasive catheter-based FFR measurements for that stenosis. An in-house software based on the CT-DAI algorithm was used to compute FFR using the pre- and post- lesion coronary time-enhancement curves obtained from the stress myocardial perfusion images. The CT-DAI derived FFR values were then compared to the corresponding catheter-based invasive FFR values. A coronary artery stenosis was considered functionally significant for FFR value <0.8. Results The CT-DAI derived FFR values were in agreement with the invasive FFR values in all 15 coronary arteries in 14 patients, resulting in 100% per-vessel and per-patient diagnostic accuracy. FFR derived using CT-DAI (M = 0.768, SD = 0.156) showed an excellent linear correlation (R = 0.910, P < .001) and statistical indifference (P= .655) with that measured using invasive catheter-based method (M = 0.796, SD = 0.149). Bland-Altman analysis showed no significant proportional bias. Conclusion The novel CT-DAI algorithm can reliably compute FFR across a coronary artery stenosis directly from dynamic CT myocardial perfusion images, facilitating rapid on-site hemodynamic assessment of the epicardial coronary artery stenosis in patients with CAD.
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 ».