A Machine Learning Framework to Detect Syncope using the Active Stand
Notice bibliographique
Résumé
Abstract Background Vasovagal syncope (VVS) is the most common form of syncope, accounting for 50-60% of unexplained syncope. Currently diagnosis is achieved via clinical assessment combined with the Head-Up Tilt Test (HUT). Aim To examine the utility of the active stand test (AS) to identify those with a positive HUT or diagnosis of VVS. Design Retrospective study of hemodynamic responses to AS. Methods Continuous blood pressure responses to AS from 101 patients attending a Falls and Blackouts Unit were acquired, including: 37 controls (CON), 64 with a clinical diagnosis of VVS (VVS+) (34 tilt-positive (HUT+) and 30 tilt-negative (HUT-)) with a mean age of 25 ± 9 years. A total of 33 hemodynamic features were extracted with a subset of these entered into linear discriminant classifier. Classification accuracy was assessed using N-fold cross-validation. Results Results indicated that it was possible to classify the outcome of the HUT with sensitivity of 58.8%, specificity of 63.3% and an accuracy of 60.9%. Using a multivariate classifier it was possible to identify those with a positive diagnosis of VVS with a sensitivity of 84.3%, specificity of 72.9% and an accuracy of 80.2%. Conclusion This study highlights the existence of a unique AS hemodynamic response characterised by autonomic hypersensitivity exhibited by young patients prone to VVS which is detectable using a multi-parameter machine learning framework. With further verification, this approach may have applications in syncope and falls diagnosis, population studies and the tracking of treatment efficacy.
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 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».