Ventricular tachycardia risk prediction with an abbreviated duration mobile cardiac telemetry
Notice bibliographique
Résumé
Background: Ventricular tachycardia (VT) occurs intermittently, unpredictably, and has potentially lethal consequences. Objective: Our aim was to derive a risk prediction model for VT episodes ≥10 beats detected on 30-day mobile cardiac telemetry based on the first 24 hours of the recording. Methods: We included patients who were monitored for 2 to 30 days in the United States using full-disclosure mobile cardiac telemetry, without any VT episode ≥10 beats on the first full recording day. An elastic net prediction model was derived for the outcome of VT ≥10 beats on monitoring days 2 to 30. Potential predictors included age, sex, and electrocardiographic data from the first 24 hours: heart rate; premature atrial and ventricular complexes occurring as singlets, couplets, triplets, and runs; and the fastest rate for each event. The population was randomly split into training (70%) and testing (30%) samples. Results: In a population of 19,781 patients (mean age 65.3 ± 17.1 years, 43.5% men), with a median recording time of 18.6 ± 9.6 days, 1510 patients had at least 1 VT ≥10 beats. The prediction model had good discrimination in the testing sample (area under the receiver-operating characteristic curve 0.7584, 95% confidence interval 0.7340-0.7829). A model excluding age and sex had an equally good discrimination (area under the receiver-operating characteristic curve 0.7579, 95% confidence interval 0.7332-0.7825). In the top quintile of the score, more than 1 in 5 patients had a VT ≥10 beats, while the bottom quintile had a 98.2% negative predictive value. Conclusion: Our model can predict risk of VT ≥10 beats in the near term using variables derived from 24-hour electrocardiography, and could be used to triage patients to extended monitoring.
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 | 0,001 |
| 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 ».