Mapping of Cardiac Electrophysiology Onto a Dynamic Patient-Specific Heart Model
Notice bibliographique
Résumé
Electrophysiological cardiac data mapping is an essential tool for the study of cardiac rhythm disorders, such as atrial fibrillation. Over the past decade, various advanced cardiac mapping systems have been developed to create detailed cardiac maps and assist physicians in diagnosis and therapy guidance. While these systems have increased the ability to study and treat cardiac arrhythmias, inherent limitations exist. The objective of this paper is to describe and evaluate a system that extends current approaches to cardiac mapping, to create a dynamic cardiac map, using patient-specific cardiac models. This paper details novel approaches to collecting a stream of electrophysiological cardiac data, registering the data with patient-specific dynamic cardiac models, and displaying the data directly on the dynamic model surface, giving a more accurate and comprehensive visualization environment when compared to current systems. To validate the system, a series of laboratory and in vivo experiments were conducted. In the laboratory studies, the system was used to test the user's ability to accurately locate a landmark in physical space, as well as their ability to accurately navigate to a virtual location. In the in vivo studies the overall system performance was compared to an existing electrophysiological recording system, where right atrial cardiac maps were created during sinus and paced cardiac rhythms. The results showed that the new dynamic cardiac mapping system was able to maintain high accuracy in locating physical and virtual landmarks, while being able to create a dynamic cardiac map displayed on a dynamic cardiac surface model.
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 | 0,000 | 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) | 0,000 | 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 ».