Obstructive Coronary Artery Disease Improved Prediction by the COME-CCT Pretest Probability Calculator With Cardiac CT
Notice bibliographique
Résumé
BACKGROUND: Combining pretest probability (PTP) with computed tomography angiography (CTA) for diagnosing obstructive coronary artery disease (CAD) has not yet been determined. OBJECTIVES: The purpose of this study was to evaluate the accuracy of PTP calculation alone and with CTA for diagnosing CAD. METHODS: A total of 65 prospective diagnostic accuracy studies of patients clinically referred to invasive coronary angiography with stable chest pain were included in this international collaborative individual patient data Collaborative Meta-Analysis of Cardiac CT (COME-CCT) meta-analysis. Mixed-effects logistic regression with a data set-specific random intercept for clustering was applied to 4 models: the traditional Diamond-Forrester models, a PTP model based on the COME-CCT data (termed COME-CCT-PTP calculator), a CTA alone model, and a combined COME-CCT-PTP with CTA model. RESULTS: Individual patient data from 5,332 patients with clinically indicated invasive coronary angiography from 22 countries were included. The COME-CCT-PTP calculator was more accurate than the original Diamond-Forrester model (AUC: 0.68; 95% CI: 0.66-0.69 vs 0.63; 95% CI: 0.62-0.65). The COME-CCT-PTP with CTA model significantly improved accuracy compared with either model alone (AUC: 0.86; 95% CI: 0.85-0.87 vs 0.81; 95% CI: 0.80-0.82). The improved prediction was consistent in decision curve analysis with an increased net benefit for all chest pain subtypes and was almost equally seen in patients with typical or atypical angina (0.85; 95% CI: 0.84-0.86) and nonanginal or other chest discomfort (0.88; 95% CI: 0.86-0.89). CONCLUSIONS: Combining the COME-CCT-PTP calculator with CTA provides more accurate prediction than the PTP or CTA alone for the diagnosis of obstructive CAD, for all chest pain subtypes.
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 ».