The prediction of refractory Mycoplasma pneumoniae pneumonia (RMPP) remains a clinically significant challenge. This study aimed to develop an early predictive model utilizing artificial intelligence (AI)-derived quantitative assessment of lung lesion extent on initial computed tomography (CT) scans and clinical indicators for RMPP in pediatric inpatients. A retrospective cohort study was conducted on patients with M. pneumoniae pneumonia (MP) admitted to the Children's Hospital of Nanjing Medical University, China from January 2019 to December 2020. An early prediction model was developed by stratifying the patients with Mycoplasma pneumoniae pneumonia (MPP) into two cohorts according to the presence or absence of refractory pneumonia. A retrospective cohort of 126 children diagnosed with Mycoplasma pneumoniae pneumonia (MPP) was utilized as a training set, with 85 cases classified as RMPP. Subsequently, a prospective cohort comprising 54 MPP cases, including 37 instances of RMPP, was assembled as a validation set to assess the performance of the predictive model for RMPP from January to December 2021. We defined a constant Φ which can combine the volume and CT value of pulmonary lesions and be further used to calculate the logarithm of Φ to the base of 2 (Log

Abstract Background This multicenter, double-blinded, randomized controlled trial (RCT) aims to assess the impact of an artificial intelligence (AI)-based model on the efficacy of intracranial aneurysm detection in CT angiography (CTA) and its influence on patients’ short-term and long-term outcomes. Methods Study design : Prospective, multicenter, double-blinded RCT. Settings : The model was designed for the automatic detection of intracranial aneurysms from original CTA images. Participants : Adult inpatients and outpatients who are scheduled for head CTA scanning. Randomization groups: (1) Experimental Group: Head CTA interpreted by radiologists with the assistance of the True-AI-integrated intracranial aneurysm diagnosis strategy (True-AI arm). (2) Control Group: Head CTA interpreted by radiologists with the assistance of the Sham-AI-integrated intracranial aneurysm diagnosis strategy (Sham-AI arm). Randomization : Block randomization, stratified by center, gender, and age group. Primary outcomes: Coprimary outcomes of superiority in patient-level sensitivity and noninferiority in specificity for the True-AI arm to the Sham-AI arm in intracranial aneurysms. Secondary outcomes: Diagnostic performance for other intracranial lesions, detection rates, workload of CTA interpretation, resource utilization, treatment-related clinical events, aneurysm-related events, quality of life, and cost-effectiveness analysis. Blinding: Study participants and participating radiologists will be blinded to the intervention. Sample size : Based on our pilot study, the patient-level sensitivity is assumed to be 0.65 for the Sham-AI arm and 0.75 for the True-AI arm, with specificities of 0.90 and 0.88, respectively. The prevalence of intracranial aneurysms for patients undergoing head CTA in the hospital is approximately 12%. To establish superiority in sensitivity and noninferiority in specificity with a margin of 5% using a one-sided α = 0.025 to ensure that the power of coprimary endpoint testing reached 0.80 and a 5% attrition rate, the sample size was determined to be 6450 in a 1:1 allocation to True-AI or Sham-AI arm. Discussion The study will determine the precise impact of the AI system on the detection performance for intracranial aneurysms in a double-blinded design and following the real-world effects on patients’ short-term and long-term outcomes. Trial registration This trial has been registered with the NIH, U.S. National Library of Medicine at ClinicalTrials.gov, ID: NCT06118840 . Registered 11 November 2023.

BACKGROUND The computed tomography angiography enhancement ratio (CTA‐ER), calculated through the net water uptake formula, is a valuable predictive tool for detecting adverse events after stroke. However, limited research has investigated the correlation between CTA‐ER and the prognosis of patients receiving endovascular treatment. Therefore, we aimed to examine whether CTA‐ER could predict favorable outcomes in patients undergoing endovascular treatment. METHODS We conducted a retrospective study enrolling patients with acute anterior circulation large‐vessel occlusive stroke undergoing endovascular treatment between January 2016 and January 2023. All patients received noncontrast computed tomography and computed tomography angiography scans upon admission. Multivariate logistic regression analysis and receiver operator characteristic curve were used to assess the predictive efficacy in determining favorable outcomes. The favorable outcome at 90 days was a modified Rankin scale score of 0 to 2. RESULTS A total of 206 participants (median age, 68 [60–77] years; 77 women) were included in the study, with 82 (39.8%) individuals demonstrating favorable outcomes. Patients with favorable outcomes had lower noncontrast computed tomography net water uptake (6.42% versus 7.76%; P < 0.001) and CTA‐ER (8.31% versus 10.56%; P < 0.001). Multivariate logistic regression analysis identified that CTA‐ER was a significant predictor for favorable outcomes ( P <0.05 in all models). Furthermore, the receiver operator characteristic analysis revealed that CTA‐ER exhibited superior predictive performance, surpassing noncontrast computed tomography net water uptake (area under the curve, 0.707 versus 0.636, Delong test; P = 0.046). CONCLUSION CTA‐ER is a significant predictor of favorable outcomes in patients with acute large‐vessel occlusion stroke undergoing endovascular treatment.