Artificial Intelligence–Enabled Analysis of Thermography to Diagnose Acute Decompensated Heart Failure
Notice bibliographique
Résumé
BACKGROUND: Analyzing skin temperature in heart failure is an important medical practice that could assist to identify poor perfusion. Thermography, a technique that captures infrared radiation from tissues, could quantify these temperatures and thermal gradients. It has not been evaluated in patients with acute decompensated heart failure (ADHF) before. OBJECTIVES: The purpose of this study was to assess the performance of thermography in the diagnosis of ADHF. METHODS: A cross-sectional study was performed, including consecutive patients hospitalized with ADHF diagnosed by an expert heart failure team. Patients hospitalized for other cardiac disorders without ADHF were included as controls. Ten thermal photos of each patient were taken within the first 4 hours after admission in a cardiac care unit. Specific thermal spots, averages, and gradients were analyzed. Thermography's diagnostic properties for ADHF detection were evaluated using machine learning with the extreme gradient boosting model. RESULTS: Sixty patients were included: 30 cases with ADHF and 30 controls. The mean age was 63.4 years (SD: 13.3), and 38 (63.3%) were males. Thermal points and averages showed lower temperature, while gradients were higher in the ADHF group, being all statistically significant between groups. The properties of the blend between thermography and artificial intelligence to detect ADHF had 84% sensitivity and 52% specificity. The area under the curve was 0.82 (95% CI: 0.73-0.91). CONCLUSIONS: Thermography demonstrated differences between patients with ADHF and those with other cardiological disorders. In this proof of concept, combining thermography with artificial intelligence enabled the detection of ADHF in subjects hospitalized in a cardiac care unit.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,008 |
| 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 | 0,000 |
| 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 tête enseignante, 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 ».