Evaluation of a subject-specific transfer-function-based nonlinear QT interval rate-correction method
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The QT interval in the electrocardiogram (ECG) is a measure of total duration of depolarization and repolarization. Correction for heart rate is necessary to provide a single intrinsic physiological value that can be compared between subjects and within the same subject under different conditions. Standard formulas for the corrected QT (QTc) do not fully reproduce the complexity of the dependence in the preceding interbeat intervals (RR) and inter-subject variability. In this paper, a subject-specific, nonlinear, transfer function-based correction method is formulated to compute the QTc from Holter ECG recordings. The model includes five parameters: three describing the static QT-RR relationship and two representing memory/hysteresis effects that intervene in the calculation of effective RR values. The parameter identification procedure is designed to minimize QTc fluctuations and enforce zero correlation between QTc and effective RR. Weighted regression is used to better handle unbalanced or skewed RR distributions. The proposed optimization approach provides a general mathematical framework for further extensions of the model. Validation, robustness evaluation and comparison with existing QT correction formulas is performed on ECG signals recorded during sinus rhythm, atrial pacing, tilt-table tests, stress tests and atrial flutter (29 subjects in total). The resulting average modeling error on the QTc is 4.9 ± 1.1 ms with a sampling interval of 2 ms, which outperforms correction formulas currently used. The results demonstrate the benefits of subject-specific rate correction and hysteresis reduction.
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.
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 | 0,003 | 0,000 |
| 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 découle