Intelligent Oscillometric System for Automatic Detection of Peripheral Arterial Disease
Notice bibliographique
Résumé
Peripheral arterial disease (PAD) is a progressing arterial disorder that is associated with significant morbidity and mortality. The conventional PAD detection methods are invasive, cumbersome, or require expensive equipment and highly trained technicians. Here, we propose a new automated, noninvasive, and easy-to-use method for the detection of PAD based on characterizing the arterial system by applying an external varying pressure using a cuff. The superposition of the internal arterial pressure and the externally applied pressure were measured and mathematically modeled as a function of cuff pressure. A feature-based learning algorithm was then designed to identify PAD patterns by analyzing the parameters of the derived mathematical models. Genetic algorithm and principal component analysis were employed to select the best predictive features distinguishing PAD patterns from normal. A RUSBoost ensemble model using neural network as the base learner was designed to diagnose PAD from genetic algorithm selected features. The proposed method was validated on data collected from 14 PAD patients and 19 healthy individuals. It achieved a high accuracy, sensitivity, and specificity of 91.4%, 90.0%, and 92.1%, respectively, in detecting PAD. The effect of age, a confounding factor that may have impacted our analyzes, was not considered in this study. The proposed method shows promise toward noninvasive and accurate detection of PAD and can be integrated into routine oscillometric blood pressure measurements.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».