Body Surface Mapping of T-wave Alternans Depends on the Distribution of Myocardial Scarring
Notice bibliographique
Résumé
T-Wave alternans (TWA) testing using 12-lead electrocardiogram/Frank leads is emerging as an important non-invasive biomarker to identify patients at high risk of Sudden Cardiac Death (SCD). Cardiac scarring is very common among cardiomyopathy patients; however, its influence on the body surface distribution of TWA has not yet been defined. Our objective was to perform a simulation study in order to determine whether cardiac scarring affects the distribution of TWA on thorax such that the standard leads fail to detect TWA in some of cardiomyopathy patients; thereby producing a false-negative test. Developing such a novel lead configuration could improve TWA quantification and potentially optimize electrocardiogram (ECG) lead configuration and risk stratification of SCD in cardiomyopathy patients. The simulation was performed in a 1500-node heart model using ECGSIM. TWA was mimicked by simulating action potential duration alternans in the ventricles. Cardiac scarring with different sizes were simulated by manipulating the apparent velocity, transmembrane potential and transition zone at varied locations along the left ventricular posterior wall. Our simulation study showed that the location of maximum TWA depends on the location and size of the myocardium scarring in patients with cardiomyopathy, which can give rise to false-negative TWA signal detection using standard clinical leads. The TWA amplitude generally increased with the increment of scar size (P<0.00001). We found one specific location (a non-standard lead) that consistently appeared as the top five maximum TWA leads and could be considered as an additional lead to improve the outcome of the TWA testing in cardiomyopathy 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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».