Improving Stress Echocardiography for Enhanced Detection of Left Main and Multivessel Coronary Artery Disease
Notice bibliographique
Résumé
Background Stress echocardiography (SE) is a well-established method for diagnosing and assessing coronary artery disease (CAD). However, accurately identifying high-risk patients remains a challenge. The aim of the study is to explore the potential of novel predictors to enhance diagnostic precision of SE for detecting left-main or triple-vessel CAD. Methods We included consecutive patients who underwent invasive coronary angiography (ICA) within six months of SE between January 2018 and April 2022. Traditional high-risk SE features included extensive wall motion abnormalities, a reduction in left ventricular ejection fraction ≥ 10% or LV dilation at peak stress, and low ischemic threshold. Wall motion score index and global longitudinal strain (GLS) at rest and peak stress, as well as the change from rest to peak in both were considered as potential additional indicators of high-risk anatomy, defined as significant stenoses in the left main and/or triple-vessel CAD. Results Of the 257 patients (mean age 66 ± 9 years) included in the analysis, 53 (21%) had high-risk CAD. Multivariate analyses identified traditional high-risk SE features, as well as ≥ 5% absolute reduction in GLS as independent predictors of high-risk anatomy. Integrating Δ GLS ≥ 5% into standard stress echocardiography evaluation significantly improved sensitivity from 69% to 90% (p=0.003), with an associated specificity of 72% and improving the AUC of SE increasing from 0.77 to 0.81 for detection of high-risk CAD. Conclusion In a real-world cohort, adding the change in GLS with exercise stress can improve the performance of SE for the detection of high-risk CAD.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».