Machine Learning to Predict Patients at Risk for Frailty in Postoperative Cardiac Patients Using Electrocardiogram and Accelerometer Data
Notice bibliographique
Résumé
Purpose: Frailty, characterized by diminished physiological reserves, predicts adverse outcomes in older adults undergoing cardiac surgery. This study aimed to identify predictors of frailty using wearable-derived electrocardiogram (ECG) and accelerometry data. The goal was to enhance postoperative risk stratification and rehabilitation. Methods: Data from 80 patients after cardiac surgery were sourced from PhysioNet, including ECG and accelerometry during rehabilitation exercises. The Edmonton Frail Scale dichotomized patients at ≥7 for high frailty. Electrocardiogram features and accelerometry metrics were extracted after signal processing. Missing data were imputed using mean and mode methods, and multicollinearity was addressed. Logistic Regression, Random Forest, and Neural Network models predicted frailty status, with performance evaluated through accuracy, recall, and F1 scores. Results: Frail patients were older (75 vs 72 years, P = .011) and had shorter 6-minute walk distances (259.47 vs 300.92 meters, P = .0424). They also exhibited longer walk times ( P = .007) and higher gait entropy ( P = .0279). Logistic regression achieved the best performance (accuracy = 0.84, recall = 0.59, F1 = 0.61). Key predictors included step length asymmetry, 6-minute walk test time, age, and maximum heart rate (odds ratios >4). The model showed strong discriminative ability (area under the curve = 0.92). Conclusions: Wearable-derived ECG and accelerometry features effectively predict frailty postcardiac surgery. These predictions enable screening and tailored rehabilitation. Future research should explore longitudinal changes and combined feature impacts on clinical outcomes.
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 | 0,000 | 0,000 |
| 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 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 ».