Non-invasive imaging of individual histological carotid plaque characteristics: A diagnostic accuracy meta-analysis
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Accurately detecting carotid plaque characteristics is crucial for identifying high-risk patients due to risk of cerebrovascular events and complications during revascularizations. Diagnostic accuracy of individual and overall carotid plaque characteristics using computed tomography (CT), magnetic resonance imaging (MRI), and ultrasound (US) compared to histology in patients with symptomatic/asymptomatic carotid plaques was aimed. METHODS: After prospective registration on PROSPERO (CRD42022329690), Medline Ovid, Embase, Cochrane Library, and Web of Science were searched without any limitations. QUADAS-2 tool was used to study quality assessment, GRADE framework to assess evidence certainty, and univariate/bivariate random-effect meta-analyses for data analysis. RESULTS: Of 5960 studies screened, 107 were identified, resulting in 253 diagnostic accuracy comparisons of 16 plaque characteristics (28 CT, 120 MRI, and 105 US). CT detected intraplaque hemorrhage (IPH) and lipid-rich necrotic core (LRNC) with good accuracy (86 % [95 %CI 67-95] and 84 % [72-91], respectively) and exhibited very high accuracy for ulceration (92 % [87-95]; 76 % on MRI and 75 % on US) and calcification (90 % [58-98] vs. 89 % [87-91] on MRI). MRI identified LRNC and IPH with good accuracy (86 % [81-89] and 86 % [84-88], respectively), and differentiated between acute/subacute/old IPH (accuracy >87 %). US accurately detected ruptured fibrous cap (85 % [77-91]), comparable to MRI (85 % [79-90]), but demonstrated lower performance for other characteristics. Finally, CT detected overall carotid morphology with 89 % accuracy, followed by MRI (86 %; p = 0.374 to CT), and significantly lower by US (78 %; p < 0.001). CONCLUSION: CT identified key plaque features, especially ulceration and calcification. MRI provided thorough plaque assessment by detecting all features and differentiating IPH age. For overall morphology, CT and MRI surpassed US accuracy.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,019 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».