MétaCan
Menu
Retour à la cohorte
Enregistrement W2972199762 · doi:10.3389/fphys.2019.01211

Identifying Patients With Coronary Artery Disease Using Rest and Exercise Seismocardiography

2019· article· en· W2972199762 sur OpenAlexaff
Parastoo Dehkordi, Erwin Bauer, Kouhyar Tavakolian, Vahid Zakeri, Andrew P. Blaber, Farzad Khosrow-Khavar

Notice bibliographique

RevueFrontiers in Physiology · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueNon-Invasive Vital Sign Monitoring
Établissements canadiensSimon Fraser UniversityUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésMedicineCoronary artery diseaseCardiologyInternal medicineRest (music)Coronary angiographyCADStenosisElectrocardiographyArea under the curveRadiologyMyocardial infarction

Résumé

récupéré en direct d'OpenAlex

Coronary artery disease (CAD) is the most common cause of death globally. Patients with suspected CAD are usually assessed by exercise electrocardiography (ECG). Subsequent tests, such as coronary angiography and coronary computed tomography angiography (CCTA) are performed to localize the stenosis and to estimate the degree of blockage. The present study describes a non-invasive methodology to identify patients with CAD based on the analysis of both rest and exercise seismocardiography (SCG). SCG is a non-invasive technology for capturing the acceleration of the chest induced by myocardial motion and vibrations. SCG signals were recorded from 185 individuals at rest and immediately after exercise. Two models were developed using the characterization of the rest and exercise SCG signals to identify individuals with CAD. The models were validated against related results from angiography. For the rest model, accuracy was 74\%, and sensitivity and specificity were estimated as 75\% and 72\%, respectively. For the exercise model accuracy, sensitivity, and specificity were 81\%, 82\%, and 84\%, respectively. The rest and exercise models presented a bootstrap-corrected area under the curve of 0.77 and 0.91, respectively. The discrimination slope was estimated 0.32 for rest model and 0.47 for the exercise model. The difference between the discrimination slopes of these two models was 0.15 (95\% CI: 0.10 to 0.23, p < 0.0001). Both rest and exercise models are able to detect CAD with high accuracy, sensitivity, and specificity. Performance of SCG is better compared to stress-ECG and it is identical to stress-echocardiography and CCTA. SCG examination is fast, inexpensive, and may even be carried out by laypersons.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,191
Écart entre enseignants0,185 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in PhysiologyMême sujetNon-Invasive Vital Sign MonitoringTravaux en français237 207