Engineering Approach to Study the Effect of TEVAR on the Cardiovascular System: A Systematic Review
Notice bibliographique
Résumé
BACKGROUND: To study the effect of endovascular treatment of the thoracic aorta on cardiac geometry and evaluate the effects of stent placement on hemodynamics and cardiovascular biomechanics. METHODS: Articles were selected through the use of online databases such as PubMed, Scopus, and Web of Science, investigating the use of engineering methods (computational analysis and simulations using three-dimensional models of cardiovascular structures obtained from medical imaging) to study the effects of pretreatment and posttreatment Thoracic Endovascular Aortic Repair (TEVAR) in terms of left ventricular mass variation and assessment of fluid dynamics parameters such as Wall Shear Stress (WSS), flow variations, and velocity. The quality of the included studies was assessed using the Newcastle-Ottawa scale. RESULTS: A total of 11 studies were considered: 3 reported data on left ventricular mass variation, 5 reported flow and velocity variations, and 6 provided information on WSS. A high discrepancy in results and methodology for conducting the analyses was observed. Overall, an increase in left ventricular mass was observed in patients undergoing TEVAR, while an improvement in flow conditions and stress was noted following the exclusion of the pathological aortic zone. CONCLUSIONS: To summarize, TEVAR can result in changes in vascular structures. However, the current literature on this topic is limited and the analysis methods used vary in terms of methodology, treated pathology, and follow-up duration. To successfully integrate computational simulations and engineering evaluations of medical images into clinical practice, it is crucial to standardize the analysis methods.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,008 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».