Age, sex, hypertension and the sensitivity and specificity of traditional, new and a machine learning ECG criteria for prediction of left ventricular hypertrophy
Notice bibliographique
Résumé
OBJECTIVE: To evaluate the impact of age, sex and hypertension to improve ECG diagnosis of Left Ventricular Hypertrophy (LVH). METHODS: The study evaluated 14 different QRS voltage criteria as well as our recently proposed criteria of S in V3 plus S in V4 in a population of 159 patients, of whom 14.5 % had echocardiographic evidence of LVH. Statistical analyses assessed the influence of age, sex, and hypertension on the sensitivity and specificity of each criterion. In addition, a machine learning model was used for enhanced diagnostic accuracy. RESULTS: The new SV3 + SV4 criterion had the highest F1 and AUC scores. Among traditional ECG criteria, the Peguero criterion showed the highest sensitivity (0.438), while Wilson and Mazeloni criteria demonstrated the highest specificity (0.9412). The new SV3 + SV4 criterion with sex-specific cut offs achieves a sensitivity of 0.500 and specificity of 0.809 in females, while in males, sensitivity reached 0.556 with specificity at 0.910. Multiple regression analysis indicated that age, sex, and hypertension significantly improved the diagnostic performance of specific criteria, including Sokolow-Lyon, Romhilt voltage, Murphy, and Grant criteria. However, other criteria were not impacted by considering age, sex, or hypertension. ML analysis improved diagnostic accuracy with clinical variables, with the highest performance in males with the addition of age (accuracy 0.959, sensitivity 0.556, and specificity 1.00). CONCLUSION: Considering age, sex, and hypertension can enhance the diagnostic performance of certain ECG criteria and especially in a ML model for LVH. Findings support a more individualized approach for LVH diagnosis in diverse patient populations.
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 | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».