Remote Electrocardiographic Monitoring with a Wireless Implantable Loop Recorder: Minimizing the Data Review Burden
Notice bibliographique
Résumé
INTRODUCTION: Currently available implantable loop recorders (ILRs) are hampered by limited memory, sensing artifacts, and need for manual memory download. Remote monitoring techniques that automatically transfer stored recordings for review may enhance ILR utility. However, automatic electrocardiograph (ECG) detection and transmission of an excessive number of tracings directly to physicians may be burdensome. This pilot study assessed the utility of direct ILR transmission to a central ECG monitoring center on the burden of data to be reviewed by the physician. METHODS: Patients with unexplained syncope were implanted with a novel ILR with automatic (i.e., independent of patient intervention) wireless telemetry download. Transmitted recordings underwent a two-step review process: initial algorithmic filtering followed by human overread at a monitoring center using predefined criteria. RESULTS: Forty patients were enrolled and followed for 8.5 ± 5.1 months. A total of 223,226 ECG recordings were transmitted to the monitoring center (on average 660 per patient per month). Algorithmic filtering eliminated 191,305 ECGs as artifact (89%), with monitoring center overread of 31,921 strips. Ultimately, 117 relevant ECGs were selected for further evaluation by the physician (0.0053%). One or more relevant ECGs were identified for 20 patients (50%). CONCLUSIONS: Automatic ILR recording and wireless technique is feasible for remote ECG monitoring by ILRs. However, sensitive criteria for recording and transmission may result in an excessive ECG burden. The two-step screening process in this pilot study minimized physician overread time while providing clinically relevant recordings in a substantial proportion of patients.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».