Computer-Assisted Electrocardiogram Analysis Improves Risk Assessment of Underlying Atrial Fibrillation in Cryptogenic Stroke
Notice bibliographique
Résumé
Background: The detection of underlying paroxysmal atrial fibrillation (AF) in patients with cryptogenic stroke (CS) can be challenging, and there is great interest in finding predictors of its hidden presence. The recent development of sophisticated software has enhanced the diagnostic and prognostic performance of the 12-lead electrocardiogram (ECG). Our aim was to assess the additional role of a computer-assisted ECG analysis in identifying predictors of AF in patients with CS. Methods: Sixty-seven patients with ischemic stroke or high-risk transient ischemic attack of unknown etiology were prospectively studied. Their 12-lead digitized ECG was analyzed with dedicated software, quantifying 468 morphological variables. The main clinical, biochemical, and echocardiographic variables were also collected. At discharge, patients were monitored with a wearable Holter for 15 days, and the primary outcome was the detection of AF. Results: The median age was 80 (interquartile range (IQR): 73 - 84) and AF was detected in 21 patients (31.3%). After preselecting significant ECG variables from the univariate analysis, a multivariate regression including other significant clinical, biochemical and echocardiographic predictors of AF was performed. Among the automatically analyzed ECG parameters, the amplitude of the R wave in V1 (V1_ramp) was significantly associated with the outcome. The best model to predict AF was composed of age, N-terminal B-type natriuretic peptide (NT-proBNP), left atrial reservoir strain (LASr) and V1_ramp. This model showed good discrimination capacity (corrected Somer’s Dxy: 0.907, Brier’s B: 0.079, area under the curve (AUC): 0.941) and performed better than the same model without the ECG variable (Somer’s Dxy: 0.827, Brier’s B: 0.119, AUC: 0.896). Conclusions: The addition of computer-assisted ECG analysis can help stratify the risk of AF in the challenging clinical setting of CS.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».