P-Wave Area Predicts New Onset Atrial Fibrillation in Mitral Stenosis: A Machine Learning Approach
Notice bibliographique
Résumé
Introduction: Mitral stenosis is associated with an atrial cardiomyopathic process, leading to abnormal atrial electrophysiology, manifesting as prolonged P-wave duration (PWD), larger P-wave area, increased P-wave dispersion (PWDmax – PWDmin), and/or higher P-wave terminal force on lead V1 (PTFV1) on the electrocardiogram. Methods: This was a single-centre retrospective study on Chinese patients, diagnosed with mitral stenosis in sinus rhythm at baseline, from a single center between November 2009 and October 2016. Automated ECG measurements from raw data were determined. The primary outcome was incident atrial fibrillation (AF). Results: A total 59 mitral stenosis patients were included (age 59 [54-65] years, 13 (22%) males). New onset AF was observed in 27 patients. Age (odds ratio [OR]: 1.08 [1.01-1.16], P=0.017), systolic blood pressure (OR: 1.03 [1.00-1.07]; P=0.046), mean P-wave area in V3 (odds ratio: 3.97 [1.32-11.96], P=0.014) were significant predictors of incident AF. On multivariate analysis, age (OR: 1.08 [1.00-1.16], P=0.037) and P-wave area in V3 (OR: 3.64 [1.10-12.00], P=0.034) remained significant predictors of AF. Receiver-operating characteristic (ROC) analysis showed that the optimum cut-off for P-wave area in V3 was 1.45 Ashman units (area under the curve: 0.65) for classification of new onset AF. A decision tree learning model with individual and nonlinear interaction variables with age achieved the best performance for outcome prediction (accuracy=0.84, precision=0.84, recall=0.83, F-measure=0.84). Conclusion: Atrial electrophysiological alterations in mitral stenosis can detected on the electrocardiogram. Age, systolic blood pressure and P-wave area in V3 predicted new onset AF. A decision tree learning model significantly improved outcome prediction.
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 | 0,001 |
| 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 ».