Artificial intelligence streamlines diagnosis and assessment of prognosis in Brugada syndrome: a systematic review and meta-analysis
Notice bibliographique
Résumé
Aim: The objective of this systematic review and meta-analysis was to determine the diagnostic and prognostic utility of artificial intelligence/machine learning (AI/ML) algorithms in Brugada Syndrome (BrS). Methods: A systematic review and meta-analysis of the literature was conducted in accordance with the Preferred Reporting Items for Systematic reviews and Meta-Analyses (PRISMA) guidelines. MEDLINE, EMBASE, SCOPUS, and WEB OF SCIENCE databases were searched for relevant articles. Abstract and title screening, full-text review, and data extraction were conducted independently by two of the authors. Conflicts were resolved via discussion among authors. A risk-of-bias assessment was performed using the QUADAS-2 tool for diagnostic studies and the PROBAST tool for prognostic studies. Forest plots and the summary area under the receiver operating characteristic (SAUROC) curve were done in R. Results: A total of 12 papers were included in our study. Among the best-performing diagnostic algorithms from each study, the sensitivity and specificity ranged from 0.80 to 0.89 and 0.74 to 0.97, respectively. In overall studies, sensitivity was 0.845 ± 0.014 and specificity was 0.892 ± 0.062 using a random effects model. A pooled analysis of the summary area under the receiver operating characteristic curve (SAUROC) was 0.77 for diagnostic studies. Prognostic studies showed good performance as well, with the AUC of the best-performing prognostic algorithms ranging from 0.71 to 0.90. Conclusions: Overall, AI/ML algorithms had high diagnostic and prognostic accuracy. These results highlight the potential of AI/ML algorithms for the diagnosis and prognosis of BrS and permit a choice of the best-performing ML algorithms.
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 | 0,027 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,017 | 0,039 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».