AI-based measurement of cardiothoracic ratio in chest X-rays and prediction of echocardiographic congestive heart failure
Notice bibliographique
Résumé
Background: This study presents an artificial intelligence (AI) model for automated cardiothoracic ratio (CTR) measurement from chest X-rays (CXRs) and evaluates its association with severe left ventricular hypertrophy (SLVH) and dilated left ventricle (DLV) diagnosed by echocardiography. The study also assesses CTR's prognostic value for predicting future SLVH/DLV development. Methods: In this retrospective cohort study, an AI algorithm measured CTR on 71,129 CXRs from 24,673 patients from 2013 to 2018 in the CheXchoNet database. SLVH/DLV was defined using echocardiographic criteria. Diagnostic accuracy was assessed using AUROC and AUPRC alongside sensitivity and specificity at various CTR thresholds. Logistic regression was performed for CXR-echocardiogram pairs. Time-to-event analysis was performed on 9,890 patients without baseline SLVH/DLV. Results: Among 24,673 patients (mean age: 62.1 years; female sex: 56.9 %), mean CTR was higher in SLVH/DLV patients (0.56 ± 0.07) than those without (0.52 ± 0.07; p < 0.001). AUROC was 0.70 (95 % CI: 0.69-0.70). At a CTR threshold of 0.53, sensitivity was 70 % and specificity 60 %. Increased CTR was associated with SLVH/DLV risk on paired echocardiogram, with an odds ratio of 1.26 at a CTR of 0.65 compared to CTR at 0.50 (95 % CI: 1.24-1.27, p < 0.001). Time-to-event analysis on patients without baseline SLVH/DLV showed patients with baseline CTR > 0.65 had a 4.13-fold increased risk of developing SLVH/DLV in the future compared to patients with CTR ≤ 0.50 (adjusted HR: 4.13; 95 % CI: 2.48-6.89; p < 0.01). Conclusion: AI-based CTR measurement helps predict SLVH/DLV and could be used for risk stratification for cardiovascular care.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 ».