Development and multinational validation of an ensemble deep learning algorithm for detecting and predicting structural heart disease using noisy single-lead electrocardiograms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Aims Artificial intelligence (AI)-enhanced 12-lead electrocardiogram (ECG) can detect a range of structural heart diseases (SHDs); however, it has a limited role in community-based screening. We developed and externally validated a noise-resilient single-lead AI-ECG algorithm that can detect SHDs and predict the risk of their development using wearable/portable devices. Methods and results Using 266 740 ECGs from 99 205 patients with paired echocardiographic data at Yale New Haven Hospital, we developed AI Deep learning for Adapting Portable Technology in HEART disease detection (ADAPT-HEART), a noise-resilient, deep learning algorithm, to detect SHDs using lead I ECG. SHD was defined as a composite of having a left ventricular ejection fraction of < 40%, moderate or severe left-sided valvular disease, and severe left ventricular hypertrophy. ADAPT-HEART was validated in four community hospitals in USA, and the population-based cohort of ELSA-Brasil. We assessed the model’s performance as a predictive biomarker among those without baseline SHD across hospital-based sites and the UK Biobank. The development population had a median age of 66 [interquartile range, 54–77] years and included 49 947 (50.3%) women, with 18 896 (19.0%) having any SHD. ADAPT-HEART had an area under the receiver operating characteristics curve (AUROC) of 0.879 (95% confidence interval, 0.870–0.888) with good calibration for detecting SHD in the test set, and consistent performance in hospital-based external sites (AUROC: 0.852–0.891) and ELSA-Brasil (AUROC: 0.859). Among individuals without baseline SHD, high vs. low ADAPT-HEART probability conferred a 2.8- to 5.7-fold increase in the risk of future SHD across data sources (all P < 0.05). Conclusion We propose a novel model that detects and predicts a range of SHDs from noisy single-lead ECGs obtainable on portable/wearable devices, providing a scalable strategy for community-based screening and risk stratification for SHD.
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.
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 | 0,001 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 découle