Abstract WP199: Profiles of Cortical White Matter Hyperintensity Burden Measured using the SPOTTY Tool Align with Fazekas Scores in ICH Patients.
Notice bibliographique
Résumé
Introduction: White matter hyperintensity (WMH) burden is associated with poor cognitive and functional outcomes after intracerebral hemorrhage (ICH). Grading WMH burden is commonly performed using morphometric scales like Fazeka’s scores, which require training and may be prone to subjectivity. Deep-learning models provide a potential alternative to quantify WMH burden. We compare WMH volumes calculated using the SPOTTY tool with categorical Fazekas scores. Methods: An analytical group of adult (>18) ICH patients was created by randomly sampling from the Registry for Neurological Endpoint Assessment among patients with Ischemic and Hemorrhagic Stroke (REINAH) database, which includes Fazeka’s scores for ICH patients with available MRIs. Total Fazekas scores (Periventricular + Deep) were determined and patients were randomly selected at each level. T2 FLAIR images used for initial Fazekas scoring were retrieved and the previously trained SPOTTY tool was used mask WMH lesions and calculate total lesion volume in cm 3 . Calculated WMH volumes are reported as medians and interquartile ranges, with statistical differences assessed across Total Fazekas score (0-6), severe WMH burden in the periventricular (PV) (Fazeka’s score =3) and deep (Fazeka’s score ≥ 2) white matter, and in-hospital mortality using Mann Whitney Rank Sum and Kruskal Wallis tests of hypothesis. Results: The final cohort included 476 total patients admitted between May 2016 and August 2024. Patients had a median age of 68 [55-77] years and included 236 (49.5%) female and 86 (18.0%) Hispanic patients, with a racial distribution of 289 (60.6%) White, 131 (27.5%) Black, 43 (9.0%) Asian/Native Hawaiian or Pacific Islander, and 14 (2.9%). 147 (30.9%) had severe PV WMH, 251 (52.7%) showed severe deep WMH, and 72 (15.1%) died in-hospital. Significant differences were found between SPOTTY-calculated volumes for non-severe and severe PV WMH (4.40 [1.47-10.15] vs 24.01 [14.99-35.69] p<0.001), non-severe and severe deep WMH (2.51 [0.98-5.72] vs 18.45 [9.47-31.06]; p<0.001) (Figure 1), and across Total Fazekas Score (Figure 2; p<0.001). Patients who died in-hospital similarly had higher SPOTTY WMH volumes than those who did not (12.51 [3.84-24.43] vs 7.85 [2.31-19.29]; p=0.032). Discussion: The SPOTTY tool provides an avenue for automatic assessment of WMH burden in ICH patients.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».