Abstract 246: Validating the Accuracy of Routine Electrocardiogram Arrhythmia Diagnosis From an Electronic Repository
Notice bibliographique
Résumé
Background: Most health services research uses claims or administrative data for rhythm diagnosis. Including coded data from electrocardiogram (ECG) repositories may enhance diagnostic yield, but validation is needed. Objective: We performed a diagnostic study comparing the Marquette Universal System for Electrocardiography (MUSE, GE Healthcare) coded ECG interpretation of atrial fibrillation and atrial flutter (AF/AFL) and conduction diseases with that of expert over-readers. Methods: We used the institutional MUSE repository to develop ECG cohorts for AF/AFL (n = 369) and conduction diseases (n = 800). We randomly selected 50 cardiologist-interpreted ECGs coded for each diagnosis, plus competing diagnoses and normal controls. Two reviewers unaware of MUSE interpretation independently interpreted all ECGs, with discrepancies resolved by consensus (Reference). We tested agreement between MUSE and Reference using Cohen’s kappa statistic, and assessed diagnostic accuracy with sensitivity and specificity. Results: For both AF/AFL and conduction diseases, agreement between MUSE and Reference was acceptable (See Table 1). Sensitivity of MUSE for AF/AFL was between 60.6 - 75.7% depending on diagnostic criteria. Sensitivity for conduction diseases ranged from 68.1% for non-specific interventricular conduction block to > 88% for 2nd or 3rd degree atrioventricular block. Specificity was ≥ 93% for all diagnoses. Conclusion: Routine ECG interpretation using MUSE coding is highly specific and moderately sensitive. These findings validate use of MUSE data to enhance AF/AFL and conduction diseases case identification algorithms based on claims or administrative data.
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 | 0,002 | 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 ».