Autonomic heart rate variability trends predict outcome in disorders of consciousness
Notice bibliographique
Résumé
Disorders of consciousness (DoC), including unresponsive wakefulness syndrome (UWS/VS) and minimally conscious state (MCS), pose significant diagnostic challenges due to their complexity and high misdiagnosis rates. This study investigates the prognostic potential of heart rate variability (HRV) ratios between stimulation and baseline, combined with support vector machine (SVM) classification, to predict outcomes in DoC patients. Fifty patients were enrolled within the first 10 days of hospitalization; 40 were used to train and optimize the SVM model, while 10 served as an independent test group. HRV analysis employed ratios of high-frequency and low-frequency components along with Sample Entropy to capture dynamic autonomic changes. Assessments were conducted weekly over three weeks. The SVM achieved 97% overall accuracy (misclassification 3%), 96% sensitivity, 100% specificity, and 97% balanced accuracy during training (10-fold cross-validation: 0% misclassification). In the independent test set (N = 10), performance was 80% overall accuracy (misclassification 20%), 80% sensitivity, 80% specificity, and 80% balanced accuracy. These results highlight the value of the HRV ratio approach, particularly the early recovery of vagal response followed by sympathetic activation, in predicting patient trajectories. Although the sample size is small, our findings support the integration of HRV analysis with machine learning as a promising tool for enhancing prognostic assessments in DoC. Future research should replicate these findings in larger cohorts and incorporate longitudinal data.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 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 ».