Combining Shock Reduction Strategies to Enhance ICD Therapy: A Role for Computer Modeling
Notice bibliographique
Résumé
OBJECTIVES: To develop a computer model to test shock reduction strategies such as antitachycardia pacing and shock withholding for supraventricular rhythms, oversensing, and nonsustained ventricular tachycardia. BACKGROUND: While the implantable cardioverter defibrillator (ICD) can reduce mortality, inappropriate ICD shocks remain a limitation. Randomized trials provide evidence of efficacy, but they are not always practical. Computer models provide an alternative approach, and are particularly useful when evaluating multiple interventions. METHODS: A computer model was developed using clinical data and validated in a large ICD data set (EMPIRIC). After validation, the model was applied to 736 adjudicated clinical episodes from the ICD arm of Sudden Cardiac Death Heart Failure Trial (SCD-HeFT). RESULTS: The shock reduction strategies hypothetically reduced the number of VT/VF shocked episodes in SCD-HeFT by an estimated 59% (from 952 observed to 395 modeled shocks, probability of >0.999) at detection duration settings (18 of 24 intervals). The percentage of patients experiencing inappropriate shocks over 5 years was decreased by 15% (23.5-8.4%), and the number of shocks for non-VT/VF episodes was decreased from 423 to 77 (82% reduction). The percentage of patients receiving shocks for VT/VF was reduced from 30.7% (SCD-HeFT) to 26.1% with the addition of ATP. Extended detection (24 of 32 or 30 of 40 intervals) showed modest additional improvement compared to 18 of 24 intervals. CONCLUSION: Computer modeling is able to predict the results of a known clinical trial and demonstrate that shock reduction strategies have the potential to significantly reduce inappropriate and unnecessary ICD shocks versus the mandated programming used in SCD-HeFT.
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) | 0,001 | 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 | 0,000 |
| 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 ».