Abstract 4368616: Core lab versus computer: Pediatric echocardiogram measurement agreement between expert human and AI readers
Notice bibliographique
Résumé
Background: Deep learning algorithms for automated echocardiographic measurements have demonstrated strong performance in adult populations; however, their utility in pediatric echocardiography remains unclear. We evaluated the agreement between an FDA-approved software for automated adult echocardiogram measurements by Us2.ai and a pediatric core lab reader in assessing left ventricular (LV) size and function. Methods: We analyzed a retrospective dataset of pediatric echocardiogram DICOM files from 5 pediatric centers and corresponding core lab measurements collected from childhood cancer survivors under 21 years of age. The automated software processed the DICOM files, and agreement with core lab measurements for 17 2D and Doppler measurements was assessed using mean difference and intraclass correlation coefficient (ICC; two-way random effects, absolute agreement, single measures). Results: A total of 652 echocardiograms from 153 childhood cancer survivors were included. Median age at time of study was 13.4 (Q1 - Q3: 9.5 - 16.3) years, and 16% of studies showed depressed LV systolic function by core lab measurements (LV shortening fraction ≤28% or ejection fraction [EF] ≤50%). Table 1 summarizes the mean difference and ICC between the automated and core lab reader. Agreement was at least moderate (ICC > 0.5) across all variables. On average, the automated software underestimated biplane EF by 5 percentage points compared to the core lab reader with greater mean differences observed at higher EFs (-1 for core lab EF ≤ 50% and -5 for EF >50%; Figure 1). Conclusions: Independent validation of an automated echocardiographic measurement software in a pediatric dataset demonstrated at least moderate agreement of all measurements with gold-standard core lab measurements. The software exhibited a bias toward lower ejection fraction values; however, ICC for ejection fraction was comparable to previously reported interobserver variability among human pediatric readers.
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 | 0,017 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».