AI-enabled opportunistic measurement of liver steatosis in coronary artery calcium scans predicts cardiovascular events and mortality: an AI-CVD study
Notice bibliographique
Résumé
Abstract Introduction About one-third of adults in the US have some grade of hepatic steatosis. Coronary artery calcium (CAC) scans contain more information than currently reported. We previously reported new artificial intelligence (AI) algorithms applied to CAC scans for opportunistic measurement of bone mineral density, cardiac chamber volumes, left ventricular mass, and other imaging biomarkers collectively referred to as AI-CVD. In this study, we investigate a new AI-CVD algorithm for opportunistic measurement of liver steatosis. Methods We applied AI-CVD to CAC scans from 5702 asymptomatic individuals (52% female, age 62±10 years) in the Multi-Ethnic Study of Atherosclerosis. Liver attenuation index (LAI) was measured using the percentage of voxels below 40 HU. We used Cox proportional hazards regression to examine the association of LAI with incident CVD and mortality over 15 years. These analyses were minimally adjusted by BMI and fully adjusted for known CVD risk factors. Results A total of 751 CVD and 1343 deaths accrued over 15 years. Mean±SD LAI in females and males was 38±15% and 43±13%, respectively. Participants in the highest vs. lowest quartile of LAI had greater incidence of CVD over 15 years: 19% (95% CI: 17%-22%) vs. 12% (10%-14%), respectively, p<0.0001). Individuals in the highest quartile of both LAI and CAC score (n = 386) experienced 37.3% (32.3%-42.7%) incidence of all CVD events over 15 years. Individuals in the highest quartile of LAI (Q4) compared to the lowest quartile (Q1) showed a higher risk of CVD (HR: 1.43, 95% CI: 1.08-1.89), stroke (HR: 1.77, 95% CI: 1.09-2.88), and all-cause mortality (HR: 1.36, 95% CI: 1.10-1.67) independently of CVD risk factors and Agatston CAC Score. Conclusion AI-enabled CT attenuation analysis of the entire liver visible in CAC scans provides opportunistic and actionable information for early detection of patients at elevated risk of CVD events and all-cause mortality. The clinical utility of incorporating LAI along with other opportunistic findings in CAC scans as part of the AI-CVD initiative to improve CVD risk prediction warrants investigation in other cohorts.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».