Noninvasive Screening Tool for Hyperkalemia Using a Single-Lead Electrocardiogram and Deep Learning: Development and Usability Study
Notice bibliographique
Résumé
BACKGROUND: Hyperkalemia monitoring is very important in patients with chronic kidney disease (CKD) in emergency medicine. Currently, blood testing is regarded as the standard way to diagnose hyperkalemia (ie, using serum potassium levels). Therefore, an alternative and noninvasive method is required for real-time monitoring of hyperkalemia in the emergency medicine department. OBJECTIVE: This study aimed to propose a novel method for noninvasive screening of hyperkalemia using a single-lead electrocardiogram (ECG) based on a deep learning model. METHODS: For this study, 2958 patients with hyperkalemia events from July 2009 to June 2019 were enrolled at 1 regional emergency center, of which 1790 were diagnosed with chronic renal failure before hyperkalemic events. Patients who did not have biochemical electrolyte tests corresponding to the original 12-lead ECG signal were excluded. We used data from 855 patients (555 patients with CKD, and 300 patients without CKD). The 12-lead ECG signal was collected at the time of the hyperkalemic event, prior to the event, and after the event for each patient. All 12-lead ECG signals were matched with an electrolyte test within 2 hours of each ECG to form a data set. We then analyzed the ECG signals with a duration of 2 seconds and a segment composed of 1400 samples. The data set was randomly divided into the training set, validation set, and test set according to the ratio of 6:2:2 percent. The proposed noninvasive screening tool used a deep learning model that can express the complex and cyclic rhythm of cardiac activity. The deep learning model consists of convolutional and pooling layers for noninvasive screening of the serum potassium level from an ECG signal. To extract an optimal single-lead ECG, we evaluated the performances of the proposed deep learning model for each lead including lead I, II, and V1-V6. RESULTS: The proposed noninvasive screening tool using a single-lead ECG shows high performances with F1 scores of 100%, 96%, and 95% for the training set, validation set, and test set, respectively. The lead II signal was shown to have the highest performance among the ECG leads. CONCLUSIONS: We developed a novel method for noninvasive screening of hyperkalemia using a single-lead ECG signal, and it can be used as a helpful tool in emergency medicine.
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 | 0,007 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».