Abstract 14935: Deep Learning Pipeline for Frailty Screening Using the 12-Lead Electrocardiogram
Notice bibliographique
Résumé
Introduction: The electrocardiogram (ECG) contains information about age-related changes in cardiovascular physiology, which have been linked with the frailty syndrome. Hypothesis: We sought to develop and validate a predictive model leveraging the 12-lead ECG to screen for frailty as defined by a prospective reference standard. Methods: We conducted a population-based cohort study using data from the Canadian Longitudinal Study of Aging (CLSA). From 2010-2015, the CLSA enlisted a diverse and multi-ethnic sample of community-dwelling adults 45-85 years of age. Comprehensive phenotyping was performed through interviews at participants’ homes and assessments at data collection sites. Frailty was quantified by the 110-item Frailty Index (FI) Composite, consisting of self-reported comorbidities, blood tests, physical performance tests, body composition tests, cardiovascular and pulmonary tests, cognitive and sensory tests. After dividing our sample into training (80%) and test (20%) sets, we developed an end-to-end deep neural network to predict the FI score based on the 12-lead ECG time series. Results: A total of 26,700 ECGs with paired FI scores were evaluated. For classification of FI quintiles, a bidirectional long short-term memory (BiLSTM) neural network with a cross-entropy loss function achieved a 5-fold mean area under the receiver operating characteristics curve (AUROC) of 0.70 and area under the precision-recall curve (AUPRC) of 0.36. Predictive performance was superior for classification of the first (most robust) quintile that had AUROC 0.79 and AUPRC 0.46, and the fifth (most frail) quintile that had AUROC 0.79 and AUPRC 0.56, as compared to the middle quintiles that had AUROC 0.60-0.69 and AUPRC 0.27-0.29. Conclusions: Our deep learning model can be used to screen for high or low levels of frailty based on the readily available 12-lead ECG. Additional research is underway to gain insights into other representations of the ECG signal and relative importance of the ECG features.
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) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,004 |
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 ».