Rapid Exclusion of COVID Infection With the Artificial Intelligence Electrocardiogram
Notice bibliographique
Résumé
OBJECTIVE: To rapidly exclude severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection using artificial intelligence applied to the electrocardiogram (ECG). METHODS: A global, volunteer consortium from 4 continents identified patients with ECGs obtained around the time of polymerase chain reaction-confirmed COVID-19 diagnosis and age- and sex-matched controls from the same sites. Clinical characteristics, polymerase chain reaction results, and raw electrocardiographic data were collected. A convolutional neural network was trained using 26,153 ECGs (33.2% COVID positive), validated with 3826 ECGs (33.3% positive), and tested on 7870 ECGs not included in other sets (32.7% positive). Performance under different prevalence values was tested by adding control ECGs from a single high-volume site. RESULTS: The area under the curve for detection of acute COVID-19 infection in the test group was 0.767 (95% CI, 0.756 to 0.778; sensitivity, 98%; specificity, 10%; positive predictive value, 37%; negative predictive value, 91%). To more accurately reflect a real-world population, 50,905 normal controls were added to adjust the COVID prevalence to approximately 5% (2657/58,555), resulting in an area under the curve of 0.780 (95% CI, 0.771 to 0.790) with a specificity of 12.1% and a negative predictive value of 99.2%. CONCLUSION: Infection with SARS-CoV-2 results in electrocardiographic changes that permit the artificial intelligence-enhanced ECG to be used as a rapid screening test with a high negative predictive value (99.2%). This may permit the development of electrocardiography-based tools to rapidly screen individuals for pandemic control.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».