Automatic Sensor Algorithms Expedite Pacemaker Follow‐ups
Notice bibliographique
Résumé
OBJECTIVE: Automatic algorithms can be used to optimize settings and reduce the duration of pacemaker (PM) clinical follow-up. METHODS: This study prospectively evaluated 87 patients (74.2 +/- 10.7 years old, 52% men) who received PM with the Autoslope algorithm. Patients randomized to the manual group (group M, n = 43) performed a walk test and used sensor-indicated rate histograms to adjust the sensor, while in the automatic group (group A, n = 44) the sensor was automatically adjusted by the Autoslope. The patients were followed for 6 months. Follow-up time required for device interrogation and optimal sensor set-up, and the number of sensor parameters reprogramming were recorded. Changes in the patients' activity level were also evaluated. RESULTS: Group A required significantly less follow-up time than group M (9.4 +/- 5.7 min vs 13.5 +/- 8.5 min, P = 0.0002). The average number of sensor parameters reprogrammed during visits was significantly lower in group A than M (0.6 +/- 0.9 vs 0.9 +/- 1.3, P = 0.048). Threshold was adjusted 34.4% of the time in the sensor evaluations in group M versus 12.9% in group A (P = 0.0004). Although more patients in group A reported being more active, the changes in patients' activity level did not lead to increasing sensor setup time or number of parameter reprogramming in either group. CONCLUSIONS: Auto sensor adjustment required less time during routine PM clinical follow-up by reducing steps needed for manual sensor threshold adjustment.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».