Innovative approaches to atrial fibrillation prediction: should polygenic scores and machine learning be implemented in clinical practice?
Notice bibliographique
Résumé
Atrial fibrillation (AF) prediction and screening are of important clinical interest because of the potential to prevent serious adverse events. Devices capable of detecting short episodes of arrhythmia are now widely available. Although it has recently been suggested that some high-risk patients with AF detected on implantable devices may benefit from anticoagulation, long-term management remains challenging in lower-risk patients and in those with AF detected on monitors or wearable devices as the development of clinically meaningful arrhythmia burden in this group remains unknown. Identification and prediction of clinically relevant AF is therefore of unprecedented importance to the cardiologic community. Family history and underlying genetic markers are important risk factors for AF. Recent studies suggest a good predictive ability of polygenic risk scores, with a possible additive value to clinical AF prediction scores. Artificial intelligence, enabled by the exponentially increasing computing power and digital data sets, has gained traction in the past decade and is of increasing interest in AF prediction using a single or multiple lead sinus rhythm electrocardiogram. Integrating these novel approaches could help predict AF substrate severity, thereby potentially improving the effectiveness of AF screening and personalizing the management of patients presenting with conditions such as embolic stroke of undetermined source or subclinical AF. This review presents current evidence surrounding deep learning and polygenic risk scores in the prediction of incident AF and provides a futuristic outlook on possible ways of implementing these modalities into clinical practice, while considering current limitations and required areas of improvement.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».