Diagnosis and Prognosis of Hyperacute Ischemic Stroke with Computed Tomography Angiography and Perfusion Imaging
Bibliographic record
Abstract
Aivohalvaus on toiseksi yleisin kuolinsyy maailmassa. Aivojen ja aivoverisuonten kuvantamisella on keskeinen merkitys arvioitaessa aivohalvauspotilaita. Multimodaaliset tietokonetomografia- ja magneettitutkimukset ovat mahdollistaneet aivoverenvuodon havaitsemisen, sekä palautuvan että palautumattoman vaillinaisesta tai puuttuvasta verenvirtauksesta johtuvan aivokudoksen vaurion laajuuden arvioinnin, tukoksen sijainnin paikantamisen ja aivoverisuonten kollateraalikierron arvioinnin. Toistaiseksi ei ole kuitenkaan tarkkaan tiedetty kuinka edellä mainittuja tuloksia voidaan hyödyntää arvioitaessa laskimonsisäistä liuotushoitoa saavien aivoinfarktipotilaiden kliinistä ennustetta. \n \nTässä väitöstutkimuksessa tarkastelimme aluksi retrospektiivisesti kohorttia, jossa oli 44 liuotushoidon saanutta hyperakuuttia aivoinfarktipotilasta. Tavoitteena oli selvittää parantaako kuvantamisohjelman ikkunoinnin optimointi pisteytysjärjestelmän käytön yhteydessä aivokudoksen varhaisten iskemiamuutosten havaitsemisen tarkkuutta. Tämän lisäksi tarkastelimme retrospektiivisesti 105 potilasta käsittävässä yksityiskohtaisia kliinisiä tietoja sisältävässä kohortissa valtimotukoksen sijainnin, tietokonetomografiaperfuusio-tutkimuksen tulosten ja aivoverisuonten kollateraalikierron merkitystä arvioitaessa laskimonsisäisen liuotushoidon saaneiden hyperakuuttien aivoinfarktipotilaiden radiologista ja kliinistä ennustetta. \n \nEnsimmäisessä tutkimusasetelmassamme kävi ilmi, että aivokudoksen varhaisten iskemiamuutosten laajuuden arviointiin kehitetyn Alberta Stroke Program Early CT Score-pisteytysjärjestelmän tarkkuutta pystyttiin merkittävästi parantamaan tietokonetomografiakuvien ikkunoinnin optimoimisella tai pisteyttämällä tietokonetomografia-angiografiakuvia. Jälkimmäisissä tutkimuksissamme havaitsimme, että kolme kuukautta aivoinfarktin jälkeen omatoimisia potilaita oli kaulavaltimossa sijainneen tukoksen sairastaneiden joukossa 12%, keskimmäisen aivovaltimon M1-haaran alkuosan tukoksissa 24% ja keskimmäisen aivovaltimon M1-haaran loppuosan tukoksissa 59%. Sekä M2- että M3-haarojen tukoksissa omatoimisia potilaita oli 81%. Logistisessa regressioanalyysissä tukoksen sijainti oli tilastollisesti merkitsevästi itsenäinen omatoimisuuden ennustaja, kun National Institutes of Health Stroke Scale-pisteytys, ikä, sukupuoli ja viive sairastumisesta liuotushoidon aloitukseen oli otettu huomioon. M1-haaran alku- ja loppuosan välillä oli suurin ero arvioitaessa hyvää ja huonoa ennustetta. Kaulavaltimossa oleva tukos johti suureen perfuusiohäiriöön aivojen veritilavuuskartan perusteella tulkittuna tietokonetomografiaperfuusio-tutkimuksessa. Kahdella kolmasosalla potilaista joilla oli kaulavaltimon tai keskimmäisen aivovaltimon alkuosan tukos, oli huono aivojen kollateraalikierto. Vain 36% potilaista joilla oli hyvä kollateraalikierto ja kaulavaltimon tai keskimmäisen aivovaltimon alkuosan tukos, oli omatoimisia kolmen kuukauden kuluttua aivoinfarktista. Monimuuttuja-analyysissä sekä tukoksen sijainti että kollateraalikierto ennustivat itsenäisesti ja erittäin merkitsevästi omatoimisuutta. Hyvä kollateraalikierto nosti omatoimisuuden todennäköisyyden yhdeksänkertaiseksi. Tukoksen sijainti keskimmäisen aivovaltimon M1-haaran loppuosassa tai M2- ja M3 haaroissa ennusti omatoimisuutta kuitenkin hyvää kollateraalikiertoa vahvemmin. \n \nTulostemme perusteella multimodaalisella tietokonetomografialla todettu valtimotukoksen sijainti ja aivojen kollateraalikierto vaikuttivat merkitsevästi ja itsenäisesti kliiniseen kolmen kuukauden ennusteeseen laskimonsisäisellä liuotushoidolla hoidetuilla hyperakuuteilla aivoinfarktipotilailla. Aivojen ja aivoverisuonten kuvantaminen on edellytys oikealle potilasvalinnalle hyperakuutin aivoinfarktin valtimonsisäisiä hoitotoimenpiteitä harkittaessa.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".