From Time to Tissue: The AI Revolution in Wake up Stroke
Notice bibliographique
Résumé
Wake-up stroke (WUS), representing about 25% of ischemic strokes, presents a major therapeutic challenge due to the unknown time of symptom onset. The shift towards a tissue-based treatment paradigm, reliant on advanced neuroimaging, creates a pressing need for rapid and accurate image analysis. This review systematically synthesizes and appraises the current evidence on artificial intelligence (AI) for the diagnosis, triage, and management of WUS. Following PRISMA guidelines, a comprehensive literature search was conducted across PubMed, Scopus, and Web of Science from inception through March 2024 for studies developing or validating AI models in WUS or late-window stroke. Analysis of 42 included studies demonstrates that AI models, particularly deep learning applied to non-contrast CT (NCCT) and MRI, achieve high diagnostic accuracy (AUCs often 0.89–0.95) in detecting early ischemia, quantifying infarct core and penumbra, and identifying the DWI-FLAIR mismatch. Commercial AI tools now automate these assessments, providing objective, trial-aligned eligibility criteria. Emerging multimodal models show promise for predicting functional outcomes and complications like hemorrhagic transformation. In conclusion, AI integration enables a data-driven, tissue-based approach that can expand treatment access in WUS. For routine clinical adoption, challenges regarding generalizability, interpretability, and the need for robust prospective validation to prove patient outcome benefits must be addressed.
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 | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».