Supplemental Table 3. Model features and associated AUROCs used as part of the CAD classifier. 4P = Apical 4 chamber at stress, 2P = Apical 2 chamber at stress, SAX_P = Parasternal short axis at stress, SAX_R = Parasternal short axis at rest.
Autor: Beto Matos-Souza
Professor de cardiologia e ecocardiografia na disciplina de cardiologia da faculdade de ciências médicas da UNICAMP. Doutor em Cardiologia. Coordenador do serviço de ecocardiografia do hospital de clínicas da UNICAMP. www.pubmed.com = "Matos-Souza" JR
Ecoestresse não isquemia: O mundo acordou
https://doi.org/10.1016/j.echo.2016.10.016
Em um dos intermináveis embates entre o Ecoestresse e a Cintilografia, o ecocardiografista afirmou:
Nós temos uma pergunta muito simples, só queremos saber o que acontece com o esforço
Disfunção ventricular altera parâmetros valvares
Paciente coronariopata grave com prótese mecânica Mitral
Muito cuidado ao usar PHT e Gradientes
Prótese com movimentos satisfatórios mas com gradiente e PHT sugerindo estenose grave
Mistura de Anel pequeno com elevadas pressões ventriculares confundindo o examinaram
Notem as bolhas espontâneas abaixo da prótese = Cavitação
Qualquer tipo de inteligência, usa a geometria no Ecoestresse
https://www.sciencedirect.com/science/article/pii/S1936878X21007804
Abstract
Objectives
The purpose of this study was to establish whether an artificially intelligent (AI) system can be developed to automate stress echocardiography analysis and support clinician interpretation.
Background
Coronary artery disease is the leading global cause of mortality and morbidity and stress echocardiography remains one of the most commonly used diagnostic imaging tests.
Methods
An automated image processing pipeline was developed to extract novel geometric and kinematic features from stress echocardiograms collected as part of a large, United Kingdom-based prospective, multicenter, multivendor study. An ensemble machine learning classifier was trained, using the extracted features, to identify patients with severe coronary artery disease on invasive coronary angiography. The model was tested in an independent U.S. study. How availability of an AI classification might impact clinical interpretation of stress echocardiograms was evaluated in a randomized crossover reader study.
Results
Acceptable classification accuracy for identification of patients with severe coronary artery disease in the training data set was achieved on cross-fold validation based on 31 unique geometric and kinematic features, with a specificity of 92.7% and a sensitivity of 84.4%. This accuracy was maintained in the independent validation data set. The use of the AI classification tool by clinicians increased inter-reader agreement and confidence as well as sensitivity for detection of disease by 10% to achieve an area under the receiver-operating characteristic curve of 0.93.
Conclusion
Automated analysis of stress echocardiograms is possible using AI and provision of automated classifications to clinicians when reading stress echocardiograms could improve accuracy, inter-reader agreement, and reader confidence.
.
google translate
Resumo
Objetivos
O objetivo deste estudo foi estabelecer se um sistema de inteligência artificial (IA) pode ser desenvolvido para automatizar a análise de ecocardiografia de estresse e apoiar a interpretação do clínico.
Fundo
A doença arterial coronariana é a principal causa global de mortalidade e morbidade e a ecocardiografia de estresse continua sendo um dos exames de diagnóstico por imagem mais utilizados.
Métodos
Um pipeline de processamento de imagem automatizado foi desenvolvido para extrair novas características geométricas e cinemáticas de ecocardiogramas de estresse coletados como parte de um grande estudo prospectivo, multicêntrico e multifornecedor baseado no Reino Unido. Um classificador de aprendizado de máquina ensemble foi treinado, usando os recursos extraídos, para identificar pacientes com doença arterial coronariana grave na angiografia coronária invasiva. O modelo foi testado em um estudo independente nos EUA. Como a disponibilidade de uma classificação de IA pode afetar a interpretação clínica de ecocardiogramas de estresse foi avaliada em um estudo randomizado de leitura cruzada.
Resultados
A precisão de classificação aceitável para identificação de pacientes com doença arterial coronariana grave no conjunto de dados de treinamento foi alcançada na validação cruzada com base em 31 características geométricas e cinemáticas únicas, com especificidade de 92,7% e sensibilidade de 84,4%. Essa precisão foi mantida no conjunto de dados de validação independente. O uso da ferramenta de classificação AI pelos médicos aumentou a concordância e a confiança entre os leitores, bem como a sensibilidade para detecção da doença em 10% para atingir uma área sob a curva característica de operação do receptor de 0,93.
Conclusão
A análise automatizada de ecocardiogramas de estresse é possível usando IA e o fornecimento de classificações automatizadas aos médicos ao ler ecocardiogramas de estresse pode melhorar a precisão, a concordância entre os leitores e a confiança do leitor.
O mundo acordou para o Ecoestresse físico, menos o Brasil
Vejam os temas das aulas
Larga vantagem em relação aos nossos debates
Tem gente que ainda só faz farmacológico ou nem faz Ecoestresse por aqui!!!
https://www.hartcentrumhasselt.be/professioneel/opleidingen—congressen/activity
As vantagens de um transdutor de alta frequência
Hoje é raro ver alguém trocar de transdutor durante um exame
Com o 8V do Juniper a conversa é outra
As janelas adequadas para esta frequência são mais comuns do que se pensa!
Pacientes magros ou de baixa estatura podem ter janelas que são um verdadeiro “transesofagico” ao transtoracico!
Análise do ápice do VE são um show de resolução
Pesquisa de endocardite sem trocar de transdutor será um desperdício de exame !
Velhas soluções ainda são soluções indispensáveis para o ecocardiografista que quer ser conclusivo