Interpreting Wide-Complex Tachycardia With the Use of Artificial Intelligence
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Adopting artificial intelligence (AI) in medicine may improve speed and accuracy in patient diagnosis. We sought to develop an AI algorithm to interpret wide-complex tachycardia (WCT) electrocardiograms (ECGs) and compare its diagnostic accuracy with that of cardiologists. METHODS: Using 3330 WCT ECGs (2906 supraventricular tachycardia [SVT] and 424 ventricular tachycardia [VT]), we created a training/validation (3131) and a test set (199 ECGs). A convolutional neural network structure using a modification of differentiable architecture search was developed to differentiate between SVT and VT. RESULTS: The mean accuracy of electrophysiology (EP) cardiologists was 92.5% with sensitivity 91.7%, specificity 93.4%, positive predictive value 93.7%, and negative predictive value 91.7%. Non-EP cardiologists had an accuracy of 73.2 ± 14.4% with sensitivity, specificity, and positive and negative predictive values of 59.8 ± 18.2%, 93.8 ± 3.7%, 93.6 ± 2.3%, and 73.2 ± 14.4%, respectively. AI had superior sensitivity and accuracy (91.9% and 93.0%, respectively) than non-EP cardiologists and similar performance compared with EP cardiologists. Mean time to interpret each ECG varied from 10.1 to 13.8 seconds for EP cardiologists and from 3.1 to 16.6 seconds for non-EP cardiologists. AI required a mean of 0.0092 ± 0.0035 seconds for each ECG interpretation. CONCLUSIONS: AI appears to diagnose WCT with accuracy superior to non-EP cardiologists and similar to EP cardiologists. Using AI to assist with ECG interpretations may improve patient care.
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.
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) | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 découle