Kardiovaskuläre MRT in der Bewertung von Kardiomyopathien – ein aktueller Überblick
Bibliographic record
Abstract
Zusammenfassung Dieser Artikel beschreibt den klinischen Nutzen der kardiovaskulären Magnetresonanztomografie (Kardio-MRT) bei Patienten mit Kardiomyopathien. Die Kardio-MRT hat sich aufgrund ihrer hohen räumlichen Auflösung, 3-D-Fähigkeiten und der Abwesenheit ionisierender Strahlung als unverzichtbares Werkzeug bei der Beurteilung von Kardiomyopathien erwiesen und ist besonders geeignet für Diagnose und Management. Sie wird in Richtlinien für ihre Präzision bei der Diagnose und Differenzierung verschiedener Formen von Kardiomyopathien anerkannt und zur Beurteilung von Ventrikelvolumen, -masse und -funktion verwendet. MRT-Techniken wie T1- und T2-Mapping, Late Gadolinium Enhancement (LGE) und Protonenspektroskopie bieten Einblicke in akute und chronische Myokardschäden. Ihre Rolle bei der Risikostratifizierung wird durch die Korrelation von LGE-Präsenz und -Ausmaß mit dem Risiko schwerwiegender Komplikationen hervorgehoben. Die Entwicklung von hochauflösender Bildgebung, 4-D-Flow und künstlicher Intelligenz erweitert weiterhin ihr diagnostisches Potenzial. Insbesondere die akute Myokarditis, eine diagnostisch herausfordernde Erkrankung, profitiert von der nicht invasiven und inzwischen auch kontrastmittelfreien Visualisierung von Myokardödem und Nekrose durch die MRT. Der Artikel beschreibt den spezifischen Nutzen der Kardio-MRT, insbesondere für die quantitative Beurteilung der Funktion und nicht invasive Charakterisierung des Myokardgewebes bei dilatativer Kardiomyopathie, hypertropher Kardiomyopathie, kardialer Amyloidose, Morbus Fabry, Eisenüberladung und Sarkoidose sowie stressinduzierter Kardiomyopathie und arrhythmogener ventrikulärer Kardiomyopathie. Auch neue MRT-Techniken und künstliche Intelligenz zur verbesserten Diagnose und Risikostratifizierung werden diskutiert.
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 | 0.008 | 0.013 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.005 | 0.003 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.012 | 0.006 |
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".