Prédiction de la recanalisation des accidents vasculaires cérébraux ischémiques traités par voie endovasculaire à partir des données radiomiques du thrombus
Bibliographic record
Abstract
Introduction La recanalisation au premier passage (first-pass effect [FPE]) est corrélé avec un bon résultat fonctionnel chez les patients victimes d'accident vasculaire cérébral ischémique. Il est également utilisé comme un marqueur d'efficacité de la thrombectomie mécanique (TM). Dans cette étude, on évalue la performance d'un modèle prédictif de deep learning basé sur les données radiomiques du thrombus en comparaison avec des experts et les données radiologiques non radiomiques du thrombus. Méthodes Les données viennent de l'essai “The Efficacy and Safety of Nerinetide for the Treatment of Acute Ischemic Stroke” (ESCAPE-NA1) qui a comparé le neuroprotecteur nerinetide au placebo chez les patients recevant une TM. Nous avons inclus tous patients avec des examens tomodensitométriques (TDM) et angio-TDM disposant de coupes fines (épaisseur ?2.5 mm). La segmentation manuelle des thrombi était réalisée par des radiologues entrainés. Nous avons divisé les données en 3 échantillons: échantillon de dérivation (entrainement [n=388] et validation [n=55]) et de test (n=111). Le modèle prédictif a été comparé à trois experts en neurovasculaire et aux données non radiomiques du thrombus (longueur, volume, densité et perméabilité du thrombus) pour la prédiction du FPE sur l’échantillon test en utilisant l'aire sous la courbe ROC (AUC-ROC). Résultats Parmi les 554 patients inclus, FPE était observé dans 176 (31.7%) patients. Un modèle prédictif en utilisant les données radiomiques du thrombus sur la TDM a été développé et testé. Ce modèle était le plus performant pour la prédiction de FPE (AUC=0.74 [95% CI: 0.64, 0.84]). Ce modèle était supérieur aux trois experts (AUC= 0.62 [95% CI: 0.53, 0.71], p=0.01) et aux caractéristiques non radiomiques du thrombus (AUC= 0.53 [95% CI: 0.44,0.63], p<0.001). Conclusion Un modèle prédictif basé sur la radiomique du thrombus en TDM performe mieux que les experts et les données non-radiomiques du thrombus pour la prédiction du FPE au cours de TM.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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".