Artificial intelligence-driven electrocardiogram analysis for risk stratification in pulmonary embolism
Notice bibliographique
Résumé
Aims: Among patients with acute pulmonary embolism (PE), rapid identification of those with highest clinical risk can help guide life-saving treatment. However, current risk stratification algorithms involve a multistep process requiring physical exam, imaging, and laboratory results. We investigated the utility of electrocardiogram (ECG) alone to rapidly identify patients at elevated clinical risk by developing and validating a feature-based artificial intelligence (AI) model to predict clinical risk. Methods and results: Patients who were diagnosed with PE over a 9-year period, had an ECG within 1 day of presentation, and were evaluated by our PE response team (PERT) were included. A feature-based random forest model was trained to predict the PERT team's risk stratification from the ECG alone. The ability of the model to predict the clinical risk categorization and the accuracy of both risk stratification approaches in predicting mortality were examined on a holdout test set. Of the overall cohort of 1376 patients, 55% had a submassive (intermediate risk) or massive (high risk) PE, which were grouped together as 'severe PE'. The AI-ECG model was able to predict the clinical classification (low-risk vs. severe PE) with an AUC of 0.83 and F1 score of 0.78 in a holdout test set. A 30-day mortality and in-hospital mortality were significantly different between patients classified by the model as low vs. elevated risk. Conclusion: AI-based analysis of 12-lead ECGs may provide a useful tool in the risk stratification of PE, allowing for rapid identification and treatment of those at highest risk of adverse 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 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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».