Auto-Entrainment Risk Assessment in Heart Failure
Notice bibliographique
Résumé
BACKGROUND: Risk assessment studies use a suite of nominally independent noninvasive heart rate metrics, often brought together in a statistical model to compute a risk score. The ongoing need to noninvasively identify the higher risk patients requiring more invasive investigations/interventions drives the search for better noninvasive predictive metrics, with increased sensitivity. Many varieties of autoregulatory malfunction occur within the cardiovascular system; thus, it seems a daunting challenge to build predictive models that account for all potential modes of failure. Auto-entrainment (AE) methodology was developed to help address this challenge. METHODS AND RESULTS: AE methodology tests intrinsic capacity to maintain a stable and coherent oscillatory dynamic of autoregulatory control via respiratory entrainment of the blood pressure and heart period. Using cardiovascular death (n=18) at follow-up (1.5 years) as the end point, analysis of AE measurements from 148 patients with heart failure revealed 2 parameters significantly predictive of death. Using logistic regression, the magnitude of systolic pulsus alternans measured during AE had predictive sensitivity of 90% (confidence interval, 62%-100% and specificity of 62% (confidence interval, 49%-74%). The capacity to maintain a stable oscillatory dynamic was measured by the fraction of the total RR-interval spectral power contained within the AE-band. This capacity had predictive sensitivity of 73% (confidence interval, 47%-99%) and specificity of 55% (confidence interval, 43%-66%). CONCLUSIONS: AE methodology provides a noninvasive platform to assess the integrity of cardiovascular autoregulatory control systems for risk assessment in heart failure 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 | 0,000 | 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 ».