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
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».