Localizing the Origin of Idiopathic Ventricular Arrhythmias From ECG Using a Recurrent Convolutional Neural Network With Attention
Notice bibliographique
Résumé
Idiopathic ventricular arrhythmias (IVAs) are extra abnormal heartbeats disturbing the regular heart rhythm that can become fatal if left untreated. Cardiac catheter ablation is the standard approach to treating IVAs; however, a crucial prerequisite for the ablation is the localization of the IVA origin. The current IVA localization techniques are invasive, rely on expert interpretation, or are inaccurate. This study aims to develop a deep learning algorithm that can automatically identify the origin of IVAs from electrocardiogram (ECG) signals without the need for expert manual analysis. Our developed deep learning algorithm comprises a spatial feature extraction to extract the most informative features from multichannel ECG data, temporal modeling to capture the evolving pattern of the ECG time series, and an attention mechanism to weigh the most important temporal features and improve the model’s interpretability. The algorithm was validated on a 12-lead ECG dataset collected from 334 patients (230 females, age$46~\pm ~13$) who experienced IVAs and successfully underwent a catheter ablation procedure that determined the IVAs’ exact origins. It achieved an area under the curve (AUC) of 93%, an accuracy of 94%, a sensitivity of 97%, a precision of 95%, and an${F}1$-score of 96% in locating the origin of IVAs and outperformed existing automatic and semi-automatic algorithms. Our proposed method shows promise toward automatic and noninvasive evaluation of IVA patients before cardiac catheter ablation.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».