Personalisation of Action Potentials Based on Activation Recovery Intervals in Post-Infarcted Pigs: A Simulation Study
Notice bibliographique
Résumé
Cardiac modeling is a powerful and robust tool in electrophysiology (EP), supporting non-invasive arrhythmia diagnosis and therapy planning.Some studies showed that in silico modeling can be used to predict scar-related arrhythmia risk and ablation targets.However, model personalisation still relies on "average" EP parameters derived from literature, largely due to a paucity of their identification from EP data.We posit that activation-recovery interval (ARI), a surrogate for action potential duration (APD), can be extracted from intracardiac electrograms (iEGMs) and used to parameterize models for more accurate AP wave simulations per individual case.In this work we personalised APDs using ARI values extracted from endocardial electro-anatomical maps recorded in sinus rhythm in post-infarcted swine (n=8).We sought to investigate the differences in model parameters needed to calibrate simulated APDs in healthy tissue and border zone, BZ (i.e., arrhythmia substrate) when using an "average" ARI computed from all cases versus those calibrated from ARIs extracted per case.Results showed that average ARIs in healthy tissue and BZ for all cases were 206.12 50.18 ms and 213.21 52.1 ms, respectively.This work underlines the importance of model personalisation by case, suggesting that is fundamentally needed to accurately reproduce in silico the experimental observations.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| 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 ».