A Deep Learning–Enabled Electrocardiogram Model for the Identification of a Rare Inherited Arrhythmia: Brugada Syndrome
Notice bibliographique
Résumé
Background Brugada syndrome is a major cause of sudden cardiac death in young people and has distinctive electrocardiographic (ECG) features. We aimed to develop a deep learning–enabled ECG model for automatic screening for Brugada syndrome to identify these patients at an early point in time, thus allowing for life-saving therapy. Methods A total of 276 ECGs with a type 1 Brugada ECG pattern (276 type 1 Brugada ECGs and another randomly retrieved 276 non-Brugada type ECGs for 1:1 allocation) were extracted from the hospital-based ECG database for a 2-stage analysis with a deep learning model. After trained network for identifying right bundle branch block pattern, we transferred the first-stage learning to the second task to diagnose the type 1 Brugada ECG pattern. The diagnostic performance of the deep learning model was compared with that of board-certified practicing cardiologists. The model was further validated in an independent ECG data set collected from hospitals in Taiwan and Japan. Results The diagnoses by the deep learning model (area under the receiver operating characteristic curve [AUC] 0.96, sensitivity 88.4%, specificity 89.1%) were highly consistent with the standard diagnoses (kappa coefficient 0.78). However, the diagnoses by the cardiologists were significantly different from the standard diagnoses, with only moderate consistency (kappa coefficient 0.63). In the independent ECG cohort, the deep learning model still reached a satisfactory diagnostic performance (AUC 0.89, sensitivity 86.0%, specificity 90.0%). Conclusions We present the first deep learning–enabled ECG model for diagnosing Brugada syndrome, which appears to be a robust screening tool with a diagnostic potential rivalling trained physicians.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».