Machine learning for analysis of active stand responses in older adults with vasovagal syncope
Notice bibliographique
Résumé
Abstract Objectives To assess 1) differences in the hemodynamic response to the active stand test in older adults with a clinical diagnosis of vasovagal syncope compared to age-matched controls 2) if the active stand test combined with machine learning approaches can be used to identify the presence of vasovagal syncope in older adults. Approach Adults aged 50 and over (Vasovagal Syncope N=46 Age=66.9±10.3; Control N=86 Age=65.3±9.5) completed an active stand test. Multiple features were extracted to characterize the hemodynamic responses to the active stand test and were compared between groups. Classification was performed using machine learning algorithms including linear discriminant analysis, quadratic discriminant analysis, support vector machine and an ensemble majority vote classifier. Main Results Subjects with vasovagal syncope demonstrated a higher resting (supine) heart rate (69.8±13.1 bpm vs 63.3±12.1 bpm; P=0.007), a smaller initial systolic blood pressure drop (−20.2±20.1% vs −27.3±17.5%; P=0.005), larger drops in stroke volume (−14.7±24.0% vs −2.7±23.3%; P=0.010) and cardiac output (−6.4±18.5% vs 5.8±22.3%;P<0.001) and a larger increase in total peripheral resistance (8.1±30.4% vs −6.03±22.8%; P=0.002) compared to controls. A majority vote classifier identified the presence of vasovagal syncope with 82.6% sensitivity, 76.8% specificity, and average accuracy of 78.9%. Significance Older adults with vasovagal syncope display a unique hemodynamic and autonomic response to active standing characterized by relative autonomic hypersensitivity and larger drops in cardiac output compared to age-matched controls. With suitable machine learning algorithms, the active stand test holds the potential to be used to screen older adults for reflex syncopes and hypotensive susceptibility potentially reducing test time, cost, and patient discomfort. More broadly this paper presents a machine learning framework to support use of the active stand test for classification of clinical outcomes of interest.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».