Prediction of Angina Pectoris Events in Middle-Aged and Elderly People Using RR Interval Time Series in the Resting State: A Cohort Study Based on SHHS
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Angina pectoris is associated with adverse cardiovascular events. In this study, a Bi-directional Long Short-Term Memory (Bi-LSTM) prediction model with the Attention layer was established to explore the predictive value of the resting-state RR interval time series on the occurrence of angina pectoris. The data of this cohort study were from the Sleep Heart Health Study database, 2,977 people were included with the follow-up of 15 years. We used the RR interval time series of electrocardiogram signals in the resting state. The outcome variables were any angina events during the follow-up. We randomly divided 2,977 participants into training ( n = 2680) and testing sets ( n = 297) with a partition ratio of 9:1. The prediction model of Bi-LSTM with Attention layer was developed and the predictive performance was assessed. 1,236 had angina pectoris and 1,741 patients did not have angina pectoris during the follow-up period. The predictive performance of the Bi-LSTM model was great with the value of accuracy = 0.913, area under the curve (AUC) = 0.922, precision = 0.913 in the testing set. RR intervals may be the potential predictors of angina events. It is more and more convenient to obtain heart rate with the development of wearable devices; the Bi-LSTM prediction model established in this study is expected to provide support for the intelligent prediction of angina pectoris events.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 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 découle