Continuous Atrial Fibrillation Monitoring From Photoplethysmography
Notice bibliographique
Résumé
BACKGROUND: Continuous monitoring for atrial fibrillation (AF) using photoplethysmography (PPG) from smartwatches or other wearables is challenging due to periods of poor signal quality during motion or suboptimal wearing. As a result, many consumer wearables sample infrequently and only analyze when the user is at rest, which limits the ability to perform continuous monitoring or to quantify AF. OBJECTIVES: This study aimed to compare 2 methods of continuous monitoring for AF in free-living patients: a well-validated signal processing (SP) heuristic and a convolutional deep neural network (DNN) trained on raw signal. METHODS: We collected 4 weeks of continuous PPG and electrocardiography signals in 204 free-living patients. Both SP and DNN models were developed and validated both on holdout patients and an external validation set. RESULTS: The results show that the SP model demonstrated receiver-operating characteristic area under the curve (AUC) of 0.972 (sensitivity 99.6%, specificity: 94.4%), which was similar to the DNN receiver-operating characteristic AUC of 0.973 (sensitivity 92.2, specificity: 95.5%); however, the DNN classified significantly more data (95% vs 62%), revealing its superior tolerance of tracings prone to motion artifact. Explainability analysis revealed that the DNN automatically suppresses motion artifacts, evaluates irregularity, and learns natural AF interbeat variability. The DNN performed better and analyzed more signal in the external validation cohort using a different population and PPG sensor (AUC, 0.994; 97% analyzed vs AUC, 0.989; 88% analyzed). CONCLUSIONS: DNNs perform at least as well as SP models, classify more data, and thus may be better for continuous PPG 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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».