Artificial intelligence-driven electrocardiogram analysis for risk stratification in pulmonary embolism
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,000 | 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 découle