Localization of Activation Origin on Patient-Specific Epicardial Surface by Empirical Bayesian Method
Notice bibliographique
Résumé
OBJECTIVE: Ablation treatment of ventricular arrhythmias can be facilitated by pre-procedure planning aided by electrocardiographic inverse solution, which can help to localize the origin of arrhythmia. Our aim was to improve localization accuracy of the inverse solution by using a novel Bayesian approach. METHODS: The inverse problem of electrocardiography was solved by reconstructing epicardial potentials from 120 body-surface electrocardiograms and from patient-specific geometry of the heart and torso for four patients suffering from scar-related ventricular tachycardia who underwent epicardial catheter mapping, which included pace-mapping. Simulations using dipole sources in patient-specific geometry were also performed. The proposed method, using dynamic spatio-temporal a priori constraints of the solution, was compared with classical Tikhonov methods based on fixed constraints. RESULTS: The mean localization error of the proposed method for all available pacing sites (n=78) was significantly smaller than that achieved by Tikhonov methods; specifically, the localization accuracy for pacing in the normal tissue (n=17) was [Formula: see text] mm (mean ± SD) versus [Formula: see text] mm reported in the previous study using the same clinical data and Tikhonov regularization. Simulation experiments further supported these clinical findings. CONCLUSION: The promising results of in vivo and in silico experiments presented in this study provide a strong incentive to pursuing further investigation of data-driven Bayesian methods in solving the electrocardiographic inverse problem. SIGNIFICANCE: The proposed approach to localizing origin of ventricular activation sequence may have important applications in pre-procedure assessment of arrhythmias and in guiding their ablation treatment.
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 ».