Distribution of abnormal potentials in chronic myocardial infarction using a real time magnetic resonance guided electrophysiology system
Notice bibliographique
Résumé
BACKGROUND: Identification of viable slow conduction zones manifested by abnormal local potentials is integral to catheter ablation of ventricular tachycardia (VT) sites. The relationship between contrast patterns in cardiovascular magnetic resonance (CMR) and local electrical mapping is not well characterized. The purpose of this study was to identify regions of isolated, late and fractionated diastolic potentials in sinus rhythm and controlled-paced rhythm in post-infarct animals relative to regions detected by late gadolinium enhancement CMR (LGE-CMR). METHODS: Using a real-time MR-guided electrophysiology system, electrogram (EGM) recordings were used to generate endocardial electroanatomical maps in 6 animals. LGE-CMR was also performed and tissue classification (dense infarct, gray zone and healthy myocardium) was then correlated to locations of abnormal potentials. RESULTS: For abnormal potentials in sinus rhythm, relative occurrence was equivalent 24%, 27% and 22% in dense scar, gray zone and healthy tissue respectively (p = NS); in paced rhythm, the relative occurrence of abnormal potentials was found to be different with 30%, 42% and 21% in dense scar, gray zone and healthy myocardium respectively (p = 0.001). For location of potentials, in the paced case, the relative frequency of abnormal EGMs was 19.9%, 65.4% and 14.7% in the entry, central pathway and exit respectively (p = 0.05), putative regions being defined by activation times. CONCLUSIONS: Our data suggests that gray zone quantified by LGE-CMR exhibits abnormal potentials more frequently than in healthy tissue or dense infarct when right ventricular apex pacing is used.
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) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».