Machine learning model on heart rate variability metrics identifies asymptomatic toddlers exposed to zika virus during pregnancy
Notice bibliographique
Résumé
Abstract Objective . Although the Zika virus (ZIKV) seems to be prominently neurotropic, there are some reports of involvement of other organs, particularly the heart. Of special concern are those children exposed prenatally to ZIKV and born without microcephaly or other congenital anomalies. Electrocardiogram (ECG)—derived heart rate variability (HRV) metrics represent an attractive, low-cost, widely deployable tool for early identification of developmental functional alterations in exposed children born without such overt clinical symptoms. We hypothesized that HRV in such children would yield a biomarker of fetal ZIKV exposure. Our objective was to test this hypothesis in young children exposed to ZIKV during pregnancy. Approach . We investigated the HRV properties of 21 children aged 4–25 months from Brazil. The infants were divided into two groups, the ZIKV-exposed ( n = 13) and controls ( n = 8). Single-channel ECG was recorded in each child at ∼15 months of age and HRV was analyzed in 5 min segments to provide a comprehensive characterization of the degree of variability and complexity of the heart rate. Main results. Using a cubic support vector machine classifier we identified babies as Zika cases or controls with a negative predictive value of 92% and a positive predictive value of 86%. Our results show that a machine learning model derived from HRV metrics can help differentiate between ZIKV-affected, yet asymptomatic, and non-ZIKV-exposed babies. We identified the box count as the best HRV metric in this study allowing such differentiation, regardless of the presence of microcephaly. Significance. We show that it is feasible to measure HRV in infants and toddlers using a small non-invasive portable ECG device and that such an approach may uncover the memory of in utero exposure to ZIKV. We discuss putative mechanisms. This approach may be useful for future studies and low-cost screening tools involving this challenging to examine population.
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) | 0,001 | 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 ».