Baseline predictors of poor clinical outcome despite recanalization of distal middle cerebral artery occlusions
Notice bibliographique
Résumé
Objective Mechanical thrombectomy (MT) is well-established for the treatment of acute ischemic stroke (AIS) from large vessel occlusion (LVO), with growing data supporting the expansion to distal and medium vessel occlusions (DMVO). Despite successful recanalization in DMVO, certain patients still experience poor long-term clinical outcomes, prompting our study to comprehensively explore pre-MT factors influencing outcome despite excellent recanalization (final modified Thrombolysis in Cerebral Infarction [mTICI] score ≥2c). Methods We retrospectively examined data from patients who consecutively underwent MT for a primary middle cerebral artery (MCA) DMVO across 37 centers in North America, Asia, and Europe. We identified baseline clinical and imaging factors associated with poor clinical outcome (defined as a modified Rankin Scale [mRS] score of 3–6) at 3 months, despite excellent recanalization using a multivariable model. Results Between September 2017 and July 2021, 623 patients achieved mTICI > 2b and they were included in our study. Among them, 198 (32%) experienced a poor clinical outcome (mRS 3–6). Predictors of poor clinical outcome included higher age (OR 1.05 [1.03–1.07], p < 0.001), higher NIHSS at admission (OR 1.12 [1.08–1.15], p < 0.001), higher baseline mRS (OR 1.77 [0.96–3.26], p = 0.067), and diabetes (OR 1.59 [1.01–2.48], p = 0.044). Higher ASPECTS was associated with a decreased risk of poor clinical outcome (OR 0.82 [0.71–0.94], p = 0.006). Conclusion Older age, diabetes, higher baseline mRS, and NIHSS were associated with poor clinical outcome in MCA DMVO despite excellent recanalization. Conversely, a higher ASPECTS decreased the probability of such an outcome.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».