Novel Automated Paced Fractionation Detection Algorithm for Ablating Ventricular Tachycardia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Catheter ablation therapy has become a key intervention in treatment of ventriculartachycardia (VT). However, current fractionation mapping methods used to isolate the ablation targets in VT patients are done manually, and are therefore time consuming. They also have limited success rates (50% recurrence rate within 2 years). We present a fully automated fractionation detection algorithm for patients with VT which expands on previously defined fractionation features and which substantially decreases associated study times. Paced electrogram signals were collected from six patients during electrophysiologic study according to a modified paced electrogram fractionation analysis protocol. Data were exported and analyzed offline using custom written software. Electrograms from right ventricular pacing catheter were used as reference. Surface electrograms, along with ventricular geometry and relative catheter locations, were used to identify physiological interference and physiologically irrelevant features. A total of 264 electrograms, collected from a roving catheter, were manually and automatically annotated for fractionation as defined by three features: conduction time (CT), electrogram duration (ED), and number of deflections (ND). Of these, 60 were selected manually to have no discernable features and were successfully discarded by our algorithm; yielding a specificity of 100%. Of the remaining 204, 16 were erroneously discarded by our algorithm; yielding a sensitivity of 92.16%. A comparison between annotations showed correlations of 0.98, 0.97, and 0.94 for AL, ED, and ND respectively.
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.
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) | 0,000 | 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 découle