The Clinical Utility of Continuous QT Interval Monitoring in Patients Admitted With COVID-19 Compared With Standard of Care: A Prospective Cohort Study
Notice bibliographique
Résumé
BackgroundQT interval monitoring has gained much interest during the COVID-19 pandemic because of the use of QT-prolonging medications and the concern about viral transmission with serial electrocardiograms (ECGs). We hypothesized that continuous telemetry-based QT monitoring is associated with better detection of prolonged QT episodes.MethodsWe introduced continuous cardiac telemetry (CCT) with an algorithm for automated QT interval monitoring to our designated COVID-19 units. The daily maximum automated heart rate-corrected QT (Auto-QTc) measurements were recorded. We compared the proportion of marked QTc prolongation (Long-QTc) episodes, defined as QTc ≥ 500 ms, in patients with suspected or confirmed COVID-19 who were admitted before and after CCT was implemented (control group vs CCT group, respectively). Manual QTc measurement by electrophysiologists was used to verify Auto-QTc. Charts were reviewed to describe the clinical response to Long-QTc episodes.ResultsWe included 33 consecutive patients (total of 451 monitoring days). Long-QTc episodes were detected more frequently in the CCT group (69/206 [34%] vs 26/245 [11%]; P < 0.0001) and ECGs were performed less frequently (32/206 [16%] vs 78/245 [32%]; P < 0.0001). Auto-QTc correlated well with QTc measurement by electrophysiologists with an excellent agreement in detecting Long-QTc (κ = 0.8; P < 0.008). Only 28% of patients with Long-QTc episodes were treated with recommended therapies. There was 1 episode of torsade de pointes in the control group and none in the CCT group.ConclusionsContinuous QT interval monitoring is superior to standard of care in detecting episodes of Long-QTc with minimal need for ECGs. The clinical response to Long-QTc episodes is suboptimal.
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) | 0,001 | 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 ».