Prediction of Cardiovascular Events Using Fully Automated Global Longitudinal and Circumferential Strain in Patients Undergoing Stress CMR
Notice bibliographique
Résumé
BACKGROUND: Stress perfusion cardiovascular magnetic resonance (CMR) is widely used to detect myocardial ischemia, mostly through visual assessment. Recent studies suggest that strain imaging at rest and during stress can also help in prognostic stratification. However, the additional prognostic value of combining both rest and stress strain imaging has not been fully established. This study examined the incremental benefit of combining these strain measures with traditional risk prognosticators and CMR findings to predict major adverse clinical events (MACE) in a cohort of consecutive patients referred for stress CMR. METHODS: This retrospective, single-center observational study included all consecutive patients with known or suspected coronary artery disease referred for stress CMR between 2016 and 2018. Fully automated machine learning was used to obtain global longitudinal strain at rest (rest-GLS) and global circumferential strain at stress (stress-GCS). The primary outcome was MACE, including cardiovascular death or hospitalization for heart failure. Cox models were used to assess the incremental prognostic value of combining these strain features with traditional prognosticators. RESULTS: Of 2778 patients (age 65±12 years, 68% men), 96% had feasible, fully automated rest-GLS and stress-GCS measurements. After a median follow-up of 5.2 (4.8–5.5) years, 316 (11.1%) patients experienced MACE. After adjustment for traditional prognosticators, both rest-GLS (hazard ratio, 1.09 [95% CI, 1.05–1.13]; P <0.001) and stress-GCS (hazard ratio, 1.08 [95% CI, 1.03–1.12]; P <0.001) were independently associated with MACE. The best cutoffs for MACE prediction were >–10% for rest-GLS and stress-GCS, with a C-index improvement of 0.02, continuous net reclassification improvement of 15.6%, and integrative discrimination index of 2.2% (all P <0.001). CONCLUSIONS: The combination of rest-GLS and stress-GCS, with a cutoff of >–10% provided an incremental prognostic value over and above traditional prognosticators, including CMR parameters, for predicting MACE in patients undergoing stress CMR.
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 | 0,000 | 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 ».