A novel computational method to predict hypoattenuated leaflet thickening post-transcatheter aortic valve replacement using preprocedural computed tomography scans
Notice bibliographique
Résumé
Objective Hypoattenuated leaflet thickening (HALT) is a computed tomography (CT) finding after transcatheter aortic valve replacement (TAVR) that is indicative of bioprosthetic valvular thrombosis. There are currently no standardized or validated methods for predicting HALT, which can cause bioprosthetic valve dysfunction and has been associated with adverse patient outcomes. The objective was to develop a novel fast-response, artificial intelligence, and machine learning (ML)-driven computational pipeline to predict HALT using preprocedural CT scans. Methods The pipeline consisted of (1) pre-TAVR CT reconstruction and reduced order modeling simulations to automatically predict postprocedural geometric parameters , (2) a landmark-guided automated left ventricle segmentation method to predict hemodynamic parameters , and (3) statistical and ML analyses to develop HALT predictive metrics. Results Pre- and postprocedural scans from 45 patients (21 with HALT, 24 without) were used as inputs for the pipeline. We identified statistically significant relationships between HALT and peak systolic blood velocity ( P < .01) and peak systolic blood flow through the bioprosthetic valve ( P < .01), left ventricular ejection time ( P < .01), ejection volume ( P < .05), and right coronary height ( P < .05). ML-yielded metrics related to circulation in the neosinuses correlated strongly with HALT occurrence ( P < .001) along with the greatest accuracy of 84.40% and area under receiver operating characteristic curve of 0.87. Conclusions A computational pipeline using pre-procedural CT scans as inputs that outputs post-TAVR geometric and hemodynamic measurements was developed to assess metrics with the potential to predict the risk of HALT. Such a tool may help guide decision-making and understanding of prevention of postprocedural thrombosis.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».