Automatic Prediction of Paediatric Cardiac Output From Echocardiograms Using Deep Learning Models
Notice bibliographique
Résumé
Background Cardiac output (CO) perturbations are common and cause significant morbidity and mortality. Accurate CO assessment is crucial for guiding treatment in anaesthesia and critical care, but measurement is difficult, even for experts. Artificial intelligence methods show promise as alternatives for accurate, rapid CO assessment. Methods We reviewed paediatric echocardiograms with normal CO and a dilated cardiomyopathy patient group with reduced CO. Experts measured the left ventricular outflow tract diameter, velocity time integral, CO, and cardiac index (CI). EchoNet-Dynamic is a deep learning model for estimation of ejection fraction in adults. We modified this model to predict the left ventricular outflow tract diameter and retrained it on paediatric data. We developed a novel deep learning approach for velocity time integral estimation. The combined models enable automatic prediction of CO. We evaluated the models against expert measurements. Primary outcomes were root-mean-squared error, mean absolute error, mean average percentage error, and coefficient of determination ( R 2 ). Results In a test set unused during training, CI was estimated with the root-mean-squared error of 0.389 L/min/m 2 , mean absolute error of 0.321 L/min/m 2 , mean average percentage error of 10.8%, and R 2 of 0.755. The Bland-Altman analysis showed that the models estimated CI with a bias of +0.14 L/min/m 2 and 95% limits of agreement -0.58 to 0.86 L/min/m 2 . Conclusions Our model estimated CO with strong correlation to ground truth and a bias of 0.17 L/min, better than many CO measurements in paediatrics. Model pretraining enabled accurate estimation despite a small dataset. Potential uses include supporting clinicians in real-time bedside calculation of CO, identification of low-CO states, and treatment responses.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».