Abstract P3144: A Deep Neural Network Algorithm For Accurate Detection Of Brugada Syndrome Features In Electrocardiograms
Notice bibliographique
Résumé
Brugada Syndrome (BrS) is a rare but potentially fatal cardiac condition that is difficult to diagnose due to the elusive nature of its characteristic ECG pattern. The diagnosis of BrS requires identification of a specific electrocardiographic (ECG) pattern, which often appears only upon administration of sodium-channel blockers. Here, we present a deep neural network (DNN) algorithm that accurately detects BrS features in ECGs without the need for a drug challenge. We trained and validated the DNN on two independent cohorts of patients who were enrolled in electrophysiological studies for BrS diagnosis. The internal prospective validation cohort included 370 subjects, and the multicenter external validation cohort included 110 subjects from three other medical institutions in Italy. All subjects who did not present a spontaneous type 1 ECG underwent an ajmaline drug challenge to aid in confirming a BrS diagnosis. We found that the DNN approach classified ECGs for BrS with a sensitivity of 79.6%, specificity of 93.6%, accuracy of 88.4%, and area under the curve (AUC) of 0.934±0.027 in the validation cohorts. The DNN model also detected BrS with 100% accuracy in all cases in which a patient presented the spontaneous type 1 pattern. Our results demonstrate that a multivariate machine-learning algorithm can accurately detect the features of BrS in a conventional ECG without the challenge of a sodium-channel blocker. The computer-assisted analysis of digital ECG traces from current electrocardiographs might help physicians recognize patients affected by this disease. In conclusion, we have developed an advanced deep learning algorithm that can accurately detect BrS features in ECGs. Our results demonstrate that the DNN approach could be an effective tool to improve the diagnosis of BrS and potentially prevent sudden cardiac death in affected individuals.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».