Can 24 h of ambulatory <scp>ECG</scp> be used to triage patients to extended monitoring?
Notice bibliographique
Résumé
BACKGROUND: Access to long-term ambulatory recording to detect atrial fibrillation (AF) is limited for economical and practical reasons. We aimed to determine whether 24 h ECG (24hECG) data can predict AF detection on extended cardiac monitoring. METHODS: We included all US patients from 2020, aged 17-100 years, who were monitored for 2-30 days using the PocketECG device (MEDICALgorithmics), without AF ≥30 s on the first day (n = 18,220, mean age 64.4 years, 42.4% male). The population was randomly split into equal training and testing datasets. A Lasso model was used to predict AF episodes ≥30 s occurring on days 2-30. RESULTS: The final model included maximum heart rate, number of premature atrial complexes (PACs), fastest rate during PAC couplets and triplets, fastest rate during premature ventricular couplets and number of ventricular tachycardia runs ≥4 beats, and had good discrimination (ROC statistic 0.7497, 95% CI 0.7336-0.7659) in the testing dataset. Inclusion of age and sex did not improve discrimination. A model based only on age and sex had substantially poorer discrimination, ROC statistic 0.6542 (95% CI 0.6364-0.6720). The prevalence of observed AF in the testing dataset increased by quintile of predicted risk: 0.4% in Q1, 2.7% in Q2, 6.2% in Q3, 11.4% in Q4, and 15.9% in Q5. In Q1, the negative predictive value for AF was 99.6%. CONCLUSION: By using 24hECG data, long-term monitoring for AF can safely be avoided in 20% of an unselected patient population whereas an overall risk of 9% in the remaining 80% of the population warrants repeated or 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 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 | 0,004 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».