Skip to main content
Hauptrubriken
CME Facharzt-Training Webinare Zeitschriften Bücher e.Medpedia Podcast
Service
Jobbörse Info & Hilfe
Fachgebiete
Anästhesiologie Allgemeinmedizin Arbeitsmedizin Augenheilkunde Chirurgie Dermatologie Gynäkologie und Geburtshilfe HNO Innere Medizin Kardiologie Neurologie Onkologie und Hämatologie Orthopädie und Unfallchirurgie Pädiatrie Pathologie Psychiatrie Radiologie Rechtsmedizin Urologie Zahnmedizin
Themen
Typ-2-Diabetes und Adipositas Klimawandel und Gesundheit Neues aus dem Markt Praxis und Beruf Seltene Erkrankungen GOÄ & EBM Panorama
Sammlungen
Kasuistiken Algorithmen & Infografiken Blickdiagnosen Arthropedia FlapFinder (für Dermatochirurgen) Videos Kongressberichterstattung Medizin für Apothekerinnen und Apotheker Fachpsychotherapie Für Ärztinnen und Ärzte in Weiterbildung Für Medizinstudierende Patientenratgeber

Live-Webinar "(Cluster-)Kopfschmerzen und Migräne"

Auf den neuesten Stand in Diagnostik und Therapie von (Cluster-)Kopfschmerzen und Migräne bringt Sie das mit 2 CME-Punkten zertifizierte interdisziplinäre Webinar am 20. Februar von 17.30 bis 19 Uhr. Darin geht es um den aktuellen Stand bei Cluster- und trigeminoautonomen Kopfschmerzen, die psychologischen Aspekte und Behandlungsverfahren bei Kopfschmerzen sowie die Behandlungsmöglichkeiten von Migräne. Im Chat haben Sie Gelegenheit, Ihre Fragen an die Experten zu stellen.
Erweiterte Suche
Anmelden
nach oben
Journal of Medical Ultrasonics
Erschienen in:

28.07.2021 | Special Feature: Review Article

How to standardize the measurement of left ventricular ejection fraction

verfasst von: Kenya Kusunose, Robert Zheng, Hirotsugu Yamada, Masataka Sata

Erschienen in: Journal of Medical Ultrasonics | Ausgabe 1/2022

Einloggen, um Zugang zu erhalten

Abstract

Despite recent advances in imaging for myocardial deformation, left ventricular ejection fraction (LVEF) is still the most important index for systolic function in daily practice. Its role in multiple fields (e.g., valvular heart disease, myocardial infarction, cancer therapy-related cardiac dysfunction) has been a mainstay in guidelines. In addition, assessment of LVEF is vital to clinical decision-making in patients with heart failure. However, notable limitations to LVEF include poor inter-observer reproducibility dependent on observer skill, poor acoustic windows, and variations in measurement techniques. To solve these problems, methods for standardization of LVEF by sharing reference images among observers and artificial intelligence for accurate measurements have been developed. In this review, we focus on the standardization of LVEF using reference images and automated LVEF using artificial intelligence.
Literatur
1.
Izumi C, Eishi K, Ashihara K, et al. JCS/JSCS/JATS/JSVS 2020 guidelines on the management of valvular heart disease. Circ J. 2020;84:2037–119.CrossRef
2.
Doherty JU, Kort S, Mehran R, et al. ACC/AATS/AHA/ASE/ASNC/HRS/SCAI/SCCT/SCMR/STS 2017 appropriate use criteria for multimodality imaging in valvular heart disease: a report of the American college of cardiology appropriate use criteria task force, American association for thoracic surgery, American heart association, american society of echocardiography, American society of nuclear cardiology, heart rhythm society, society for cardiovascular angiography and interventions, society of cardiovascular computed tomography, society for cardiovascular magnetic resonance, and society of thoracic surgeons. J Am Coll Cardiol. 2017;70:1647–72.CrossRef
3.
Nagueh SF, Smiseth OA, Appleton CP, et al. Recommendations for the evaluation of left ventricular diastolic function by echocardiography: an update from the american society of echocardiography and the european association of cardiovascular imaging. J Am Soc Echocardiogr. 2016;29:277–314.CrossRef
4.
Tsutsui H, Isobe M, Ito H, et al. JCS 2017/JHFS 2017 guideline on diagnosis and treatment of acute and chronic heart failure—digest version. Circ J. 2019;83:2084–184.CrossRef
5.
Bunting KV, Steeds RP, Slater LT, et al. A Practical guide to assess the reproducibility of echocardiographic measurements. J Am Soc Echocardiogr. 2019;32:1505–15.CrossRef
6.
7.
Daimon M, Watanabe H, Abe Y, et al. Normal values of echocardiographic parameters in relation to age in a healthy Japanese population: the JAMP study. Circ J. 2008;72:1859–66.CrossRef
8.
Fukuda S, Watanabe H, Daimon M, et al. Normal values of real-time 3-dimensional echocardiographic parameters in a healthy Japanese population: the JAMP-3D Study. Circ J. 2012;76:1177–81.CrossRef
9.
Lang RM, Badano LP, Mor-Avi V, et al. Recommendations for cardiac chamber quantification by echocardiography in adults: an update from the American Society of Echocardiography and the European Association of Cardiovascular Imaging. J Am Soc Echocardiogr. 2015;28:1-39 e14.CrossRef
10.
Hoffmann R, von Bardeleben S, ten Cate F, et al. Assessment of systolic left ventricular function: a multi-centre comparison of cineventriculography, cardiac magnetic resonance imaging, unenhanced and contrast-enhanced echocardiography. Eur Heart J. 2005;26:607–16.CrossRef
11.
Karamitsos TD, Hudsmith LE, Selvanayagam JB, et al. Operator induced variability in left ventricular measurements with cardiovascular magnetic resonance is improved after training. J Cardiovasc Magn Reson. 2007;9:777–83.CrossRef
12.
Maffei E, Messalli G, Martini C, et al. Left and right ventricle assessment with cardiac CT: validation study vs. Card MR Eur Radiol. 2012;22:1041–9.CrossRef
13.
Thavendiranathan P, Grant AD, Negishi T, et al. Reproducibility of echocardiographic techniques for sequential assessment of left ventricular ejection fraction and volumes: application to patients undergoing cancer chemotherapy. J Am Coll Cardiol. 2013;61:77–84.CrossRef
14.
Onishi T, Fukuda Y, Miyazaki S, et al. Practical guidance for echocardiography for cancer therapeutics-related cardiac dysfunction. J Echocardiogr. 2021;19:1–20.CrossRef
15.
Levitov A, Frankel HL, Blaivas M, et al. Guidelines for the appropriate use of bedside general and cardiac ultrasonography in the evaluation of critically ill patients—part II: cardiac ultrasonography. Crit Care Med. 2016;44:1206–27.CrossRef
16.
Kusunose K, Shibayama K, Iwano H, et al. Reduced variability of visual left ventricular ejection fraction assessment with reference images: the Japanese Association of Young Echocardiography Fellows multicenter study. J Cardiol. 2018;72:74–80.CrossRef
17.
Johri AM, Picard MH, Newell J, et al. Can a teaching intervention reduce interobserver variability in LVEF assessment. JACC Cardiovasc Imaging. 2011;4:821–9.CrossRef
18.
Wu W-CH, Frikha Z, Girerd N, et al. Reproducibility in echocardiographic assessment of diastolic function in a population based study (The STANISLAS Cohort Study). PLoS ONE. 2015;10:e0122336.CrossRef
19.
Akinboboye O, Sumner J, Gopal A, et al. Visual estimation of ejection fraction by two-dimensional echocardiography: the learning curve. Clin Cardiol. 1995;18:726–9.CrossRef
20.
Thavendiranathan P, Popović ZB, Flamm SD, et al. Improved interobserver variability and accuracy of echocardiographic visual left ventricular ejection fraction assessment through a self-directed learning program using cardiac magnetic resonance images. J Am Soc Echocardiogr. 2013;26:1267–73.CrossRef
21.
Leung KE, Bosch JG. Automated border detection in three-dimensional echocardiography: principles and promises. Eur J Echocardiogr. 2010;11:97–108.CrossRef
22.
Yang L, Georgescu B, Zheng Y et al. A fast and accurate tracking algorithm of left ventricles in 3D echocardiography. Proceedings/IEEE international symposium on biomedical imaging: from nano to macro IEEE international symposium on biomedical imaging: NIH Public Access. 2008; p.221
23.
Schmidhuber J. Deep learning in neural networks: an overview. Neural Netw. 2015;61:85–117.CrossRef
24.
LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521:436–44.CrossRef
25.
Kusunose K, Haga A, Abe T, et al. Utilization of artificial intelligence in echocardiography. Circ J. 2019;83:1623–9.CrossRef
26.
Johnson KW, Soto JT, Glicksberg BS, et al. Artificial intelligence in cardiology. J Am Coll Cardiol. 2018;71:2668–79.CrossRef
27.
Dey D, Slomka PJ, Leeson P, et al. Artificial intelligence in cardiovascular imaging: JACC state-of-the-art review. J Am Coll Cardiol. 2019;73:1317–35.CrossRef
28.
Lessmann N, van Ginneken B, Zreik M, et al. Automatic calcium scoring in low-dose chest CT using deep neural networks with dilated convolutions. IEEE Trans Med Imaging. 2018;37:615–25.CrossRef
29.
van Hamersvelt RW, Zreik M, Voskuil M, et al. Deep learning analysis of left ventricular myocardium in CT angiographic intermediate-degree coronary stenosis improves the diagnostic accuracy for identification of functionally significant stenosis. Eur Radiol. 2019;29:2350–9.CrossRef
30.
Zhang N, Yang G, Gao Z, et al. Deep learning for diagnosis of chronic myocardial infarction on nonenhanced cardiac cine MRI. Radiology. 2019;291:606–17.CrossRef
31.
Kusunose K, Haga A, Inoue M, et al. Clinically feasible and accurate view classification of echocardiographic images using deep learning. Biomolecules. 2020;10:665.CrossRef
32.
33.
Zhang J, Gajjala S, Agrawal P, et al. Fully automated echocardiogram interpretation in clinical practice. Circulation. 2018;138:1623–35.CrossRef
34.
Asch FM, Poilvert N, Abraham T, et al. Automated echocardiographic quantification of left ventricular ejection fraction without volume measurements using a machine learning algorithm mimicking a human expert. Circ Cardiovasc Imaging. 2019;12:e009303.CrossRef
35.
Metadaten
Titel
How to standardize the measurement of left ventricular ejection fraction
verfasst von
Kenya Kusunose
Robert Zheng
Hirotsugu Yamada
Masataka Sata
Publikationsdatum
28.07.2021
Verlag
Springer Singapore
Erschienen in
Journal of Medical Ultrasonics / Ausgabe 1/2022
Print ISSN: 1346-4523
Elektronische ISSN: 1613-2254
DOI
https://doi.org/10.1007/s10396-021-01116-z

Weitere Artikel der Ausgabe 1/2022

Clinical utility of ultrasonography imaging in musculoskeletal conditions: a systematic review and meta-analysis. (Response to letter to editor)

  • Letter to the Editor

Comments on “Clinical utility of ultrasonography imaging in musculoskeletal conditions: a systematic review and meta-analysis”

  • Letter to the Editor

Effect of the size of benign thyroid degenerative nodules on ACR TI-RADS categories

  • Original Article–Breast & Thyroid

Implementation and assessment of a pediatric point-of-care ultrasound training course in Japan: a pilot study

  • Original Article–Pediatrics

Ultrasound screening in gynecological examinations: can we overcome the criticism that it is insufficient and harmful?

  • Editorial

Deep axillary lymphadenopathy after coronavirus disease 2019 vaccination: a case report

  • Image–Breast & Thyroid

Neu im Fachgebiet Radiologie

Ab sofort gelten die neuen Verordnungsausnahmen für Lipidsenker

Freie Fahrt für Lipidsenker? Das nicht, doch mit niedrigerem Schwellenwert fürs Infarktrisiko und neuen Indikationen hat der G-BA die Verordnungs-Handbremse ein gutes Stück weit gelockert.

Abdominale CT bei Kindern: 40% mit Zufallsbefunden

Wird bei Kindern mit stumpfem Trauma eine CT des Bauchraums veranlasst, sind in rund 40% der Fälle Auffälligkeiten zu sehen, die nichts mit dem Trauma zu tun haben. Die allerwenigsten davon sind klinisch relevant.

Genügt die biparametrische MRT für die Prostatadiagnostik?

Die multiparametrische Magnetresonanztomografie hat einen festen Platz im Screening auf klinisch signifikante Prostatakarzinome. Ob auch ein biparametrisches Vorgehen ausreicht, ist in einer Metaanalyse untersucht worden.

Höhere Trefferquoten bei Brustkrebsscreening dank KI?

Künstliche Intelligenz unterstützt bei der Auswertung von Mammografie-Screenings und senkt somit den radiologischen Arbeitsaufwand. Wie wirken sich diese Technologien auf die Trefferquote und die Falsch-positiv-Rate aus? Das hat jetzt eine Studie aus Schweden untersucht.

Update Radiologie

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert.

Newsletter bestellen
Bildnachweise