Electrocardiogram Analysis for Kratom Users Utilizing Deep Residual Learning Network and Machine Learning
Notice bibliographique
Résumé
Kratom ( <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">Mitragyna speciosa</i> Korth) is a common tropical plant found in Southeast Asia. Its leaves possess medicinal properties and are used to treat various ailments. However, the effects of kratom extract in terms of biological domains are still concerning. Although considerable studies have been conducted on the effects of kratom usage over the last few years, no study using in silico analysis of kratom users’ electrocardiogram (ECG) has been reported to date. This study aims to examine the long-term effects of kratom consumption using the ECG signals and deep learning (DL) network and machine learning techniques. Raw ECG signals were used as input for training and detecting abnormalities, and a deep residual learning network (DRLN) model was implemented to develop a feature extractor from single-lead datasets; the extracted features were used to train conventional machine learning classifiers. The confounding ECG abnormality factors, namely, age, sex, smoking, alcohol consumption, and exercise, were analyzed for association using the chi-square test. The main results of our study showed that kratom usage is not associated with ECG abnormalities. However, the ECG signal was affected more by gender than by the other factors; it exhibited the highest sensitivity and specificity (score <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$=$</tex-math> </inline-formula> 0.63). While this study is limited to ECG abnormalities, the results indicate that long-term usage of kratom for its health benefits may be considered a safe and natural practice.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».