Deep learning-derived 12-lead electrocardiogram-based genotype prediction for hypertrophic cardiomyopathy: a pilot study
Notice bibliographique
Résumé
Objective: Given the psychosocial and ethical burden, patients with hypertrophic cardiomyopathy (HCMs) could benefit from the establishment of genetic probability prior to the test. This study aimed to develop a simple tool to provide genotype prediction for HCMs.Methods: A convolutional neural network (CNN) was built with the 12-lead electrocardiogram (ECG) of 124 HCMs who underwent genetic testing (GT), externally tested by predicting the genotype on another HCMs cohort (n = 54), and compared with the conventional methods (the Mayo and Toronto score). Using a third cohort of HCMs (n = 76), the role of the network in risk stratification was explored by calculating the sudden cardiac death (SCD) risk scorers (HCM risk-SCD) across the predicted genotypes. Score-CAM was employed to provide a visual explanation of the network.Results: Overall, 80 of 178 HCMs (45%) were genotype-positive. Using the 12-lead ECG as input, the network showed an area under the curve (AUC) of 0.89 (95% CI, 0.83–0.96) on the test set, outperforming the Mayo score (0.69 [95% CI, 0.65–0.78], p < 0.001) and the Toronto score (0.69 [95% CI, 0.64–0.75], p < 0.001). The network classified the third cohort into two groups (predicted genotype-negative vs. predicted genotype-positive). Compared with the former, patients predicted genotype-positive had a significantly higher HCM risk-SCD (0.04 ± 0.03 vs. 0.03 ± 0.02, p <0.01). Visualization indicated that the prediction was heavily influenced by the limb lead.Conclusions: The network demonstrated a promising ability in genotype prediction and risk assessment in HCM.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».