Use of a Clinical Electrocardiographic Database to Enhance Atrial Fibrillation/Atrial Flutter Identification Algorithms Based on Administrative Data
Notice bibliographique
Résumé
Background Administrative data have limited sensitivity for case finding of atrial fibrillation/atrial flutter (AF/AFL). Linkage with clinical repositories of interpreted ECGs may enhance diagnostic yield of AF/AFL. Methods and Results We retrieved 369 ECGs from the institutional Marquette Universal System for Electrocardiography (MUSE) repository as validation samples, with rhythm coded as AF (n=49), AFL (n=50), or other competing rhythm diagnoses (n=270). With blinded, duplicate review of ECGs as the reference comparison, we compared multiple MUSE coding definitions for identifying AF/AFL. We tested the agreement between MUSE diagnosis and reference comparison, and calculated the sensitivity and specificity. Using a data set linking clinical registries, administrative data, and the MUSE repository (n=11 662), we assessed the incremental diagnostic yield of AF/AFL by incorporating ECG data to administrative data-based algorithms. The agreement between MUSE diagnosis and reference comparison depended on the coding definitions applied, with the Cohen κ ranging from 0.57 to 0.75. Sensitivity ranged from 60.6% to 79.1%, and specificity ranged from 93.2% to 98.0%. A coding definition with AF/AFL appearing in the first 3 ECG statements had the highest sensitivity (79.1%), with little loss of specificity (94.5%). Compared with the algorithms with only administrative data, incorporating ECG data increased the diagnostic yield of preexisting AF/AFL by 14.5% and incident AF/AFL by 7.5% to 16.1%. Conclusions Routine ECG interpretation using MUSE coding is highly specific and moderately sensitive for AF/AFL detection. Inclusion of MUSE ECG data in AF/AFL case identification algorithms can identify cases missed using administrative data-based algorithms alone.
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 | 0,086 | 0,255 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,011 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».