A deep learning phenome wide association study of the electrocardiogram
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
Aims: Deep learning methods have shown impressive performance in detecting a range of diseases from electrocardiogram (ECG) waveforms, but the breadth of diseases that can be detected with high accuracy remains unknown, and in many cases the changes to the ECG allowing these classifications are also opaque. In this study, we aim to determine the full set of cardiac and non-cardiac conditions detectable from the ECG and to understand which ECG features contribute to the disease classification. Methods and results: Using large datasets of ECGs and connected electronic health records from two separate medical centres, we independently trained PheWASNet, a multi-task deep learning model, to detect 1243 different disease phenotypes from the raw ECG waveform. We confirmed that the ECG can be used to detect chronic kidney disease (AUC = 0.80), cirrhosis (AUC = 0.80), and sepsis (AUC = 0.84), as well as a range of cardiac diseases, and also found new detectable conditions, including respiratory failure (AUC = 0.86), neutropenia (AUC = 0.83), and menstrual disorders (AUC = 0.84). We found that of the 37 non-cardiac strongly detectable conditions, 35 were detectable by the model output for just four diseases, suggesting that they have similar effects on the ECG. We found that high performance in some conditions including neutropenia, respiratory failure, and sepsis can be explained by linear models based on conventional measurements taken from the ECG. Conclusion: Our study uncovers a range of diseases detectable in the ECG, including many previously unknown phenotypes, and makes progress towards understanding ECG features that allow this detection.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle