Categorization and theoretical comparison of quantitative methods for assessing QT/RR hysteresis
Notice bibliographique
Résumé
BACKGROUND: In the human electrocardiogram, there is a lag of adaptation of the QT interval to heart rate changes, usually termed QT/RR hysteresis (QT-hys). Subject-specific quantifiers of QT-hys have been proposed as potential biomarkers, but there is no consensus on the choice of the quantifier. METHODS: A comprehensive literature search was conducted to identify original articles reporting quantifiers of repolarization hysteresis from the surface ECG in humans. RESULTS: Sixty articles fulfilled our inclusion criteria. Reported biomarkers were grouped under four categories. A simple mathematical model of QT/RR loop was used to illustrate differences between the methods. Category I quantifiers use direct measurement of QT time course of adaptation. They are limited to conditions where RR intervals are under strict control. Category IIa and IIb quantifiers compare QT responses during consecutive heart rate acceleration and deceleration. They are relevant when a QT/RR loop is observed, typically during exercise and recovery, but are not robust to protocol variations. Category III quantifiers evaluate the optimum RR memory in dynamic QT/RR relationship modeling. They estimate an intrinsic memory parameter independent from the nature of RR changes, but their reliability remains to be confirmed when multiple memory parameters are estimated. Promising approaches include the differentiation of short-term and long-term memory and adaptive estimation of memory parameters. CONCLUSION: Model-based approaches to QT-hys assessment appear to be the most versatile, as they allow separate quantification of QT/RR dependency and QT-hys, and can be applied to a wide range of experimental settings.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».