Automated proximal coronary artery calcium identification using artificial intelligence: advancing cardiovascular risk assessment
Notice bibliographique
Résumé
AIMS: Identification of proximal coronary artery calcium (CAC) may improve prediction of major adverse cardiac events (MACE) beyond the CAC score, particularly in patients with low CAC burden. We investigated whether the proximal CAC can be detected on gated cardiac CT and whether it provides prognostic significance with artificial intelligence (AI). METHODS AND RESULTS: A total of 2016 asymptomatic adults with baseline CAC CT scans from a single site were followed up for MACE for 14 years. An AI algorithm to classify CAC into proximal or not was created using expert annotations of total and proximal CAC and AI-derived cardiac structures. The algorithm was evaluated for prognostic significance on AI-derived CAC segmentation. In 303 subjects with expert annotations, the classification of proximal vs. non-proximal CAC reached an area under receiver operating curve of 0.93 [95% confidence interval (CI) 0.91-0.95]. For prognostic evaluation, in an additional 588 subjects with mild AI-derived CAC scores (CAC score 1-99), the AI proximal involvement was associated with worse MACE-free survival (P = 0.008) and higher risk of MACE when adjusting for CAC score alone [hazard ratio (HR) 2.28, 95% CI 1.16-4.48, P = 0.02] or CAC score and clinical risk factors (HR 2.12, 95% CI 1.03-4.36, P = 0.04). CONCLUSION: The AI algorithm could identify proximal CAC on CAC CT. The proximal location had modest prognostic significance in subjects with mild CAC scores. The AI identification of proximal CAC can be integrated into automatic CAC scoring and improves the risk prediction of CAC CT.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».