Detailed analysis of PAC characteristics in ambulatory ECG data can improve atrial fibrillation risk prediction
Notice bibliographique
Résumé
Abstract Introduction Premature atrial complexes (PACs) are associated with atrial fibrillation (AF) risk, but also common in the general population. The origin and mechanism through which PACs arise lead to different electrocardiographic presentations, and may affect AF risk. We hypothesised that PAC characteristics on ambulatory ECG may predict AF, beyond PAC frequency. Methods We included 12,660 patients with 14-30 days of lead II and III ambulatory ECG recording with a Holter device, without AF during the first 48 hours of recording. We detected QRS complexes using AI and trained a convolutional neural network model to provide automated ECG waveform measurements, using >63,000 annotated heart beats. With this we extracted a total of 89 variables related PAC P-wave morphology, pattern of occurrence in relation to other beats, and PAC-QRS coupling intervals from raw ECG signals. After splitting the dataset randomly into a training (60%) and testing (40%) dataset, we used these PAC variables from the first 48h of recording in a Gaussian mixed model to generate two clusters of patients classified as having either high or low risk of AF of ≥30 seconds in the subsequent ≥12 recording days. The association between the high AF risk cluster and subsequent AF was then tested in Cox regression models, adjusted for age and sex. Results The testing dataset included 5,135 patients (median age 63 years (IQR 49-73), 59% female). AF occurred in 360 (7.0%) patients after a median duration of 7 (IQR 3-14) days. Figure 1 shows the cumulative hazard of AF by high and low risk cluster and PAC frequency. A PAC frequency >100/day was associated with higher AF risk. The high AF-risk cluster included 3,142 patients (61.1%) and had increased AF occurrence in patients with ≤100 daily PACs (62.6% of all patients), HR 1.62, 95% CI 1.03-2.54, p=0.04, but not in patients with >100 PACs (HR 0.89, 95% CI 0.63-1.26, p=0.53), p for interaction = 0.003. Conclusion Clustering analyses based on PAC morphology, pattern of occurrence and coupling interval characteristics can be used to predict AF risk in patients with ≤100 PACs/daycumulative hazards for incident AF
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 0,001 |
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 ».