Orientation of conduction velocity vectors on cardiac mapping surfaces
Notice bibliographique
Résumé
AIMS: Electroanatomical maps using automated conduction velocity (CV) algorithms are now being calculated using two-dimensional (2D) mapping tools. We studied the accuracy of mapping surface 2D CV, compared to the three-dimensional (3D) vectors, and the influence of mapping resolution in non-scarred animal and human heart models. METHODS AND RESULTS: Two models were used: a healthy porcine Langendorff model with transmural needle electrodes and a computer stimulation model of the ventricles built from an MRI-segmented, excised human heart. Local activation times (LATs) within the 3D volume of the mesh were used to calculate true 3D CVs (direction and velocity) for different pixel resolutions ranging between 500 μm and 4 mm (3D CVs). CV was also calculated for endocardial surface-only LATs (2D CV). In the experimental model, surface (2D) CV was faster on the epicardium (0.509 m/s) compared to the endocardium (0.262 m/s). In stimulation models, 2D CV significantly exceeded 3D CVs across all mapping resolutions and increased as resolution decreased. Three-dimensional and 2D left ventricle CV at 500 μm resolution increased from 429.2 ± 189.3 to 527.7 ± 253.8 mm/s (P < 0.01), respectively, with modest correlation (R = 0.64). Decreasing the resolution to 4 mm significantly increased 2D CV and weakened the correlation (R = 0.46). The majority of CV vectors were not parallel (<30°) to the mapping surface providing a potential mechanistic explanation for erroneous LAT-based CV over-estimation. CONCLUSION: Ventricular CV is overestimated when using 2D LAT-based CV calculation of the mapping surface and significantly compounded by mapping resolution. Three-dimensional electric field-based approaches are needed in mapping true CV on mapping surfaces.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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 ».