Abstract FR435: Artificial Intelligence-Enhanced Electrocardiography for the Detection and Prediction of Arterial Hypertension: A Systematic Review
Notice bibliographique
Résumé
Background: Early detection and prediction of arterial hypertension (HTN) are vital to reduce cardiovascular morbidity and mortality. AI has enhanced ECG diagnostic capabilities, enabling detection of latent cardiovascular abnormalities. Aims: This systematic review evaluates current evidence on AI-enhanced ECG for detection and prediction of HTN in in both clinical and subclinical populations. Methods: A search was conducted on April 28, 2025, in PubMed, Scopus, and Web of Science. Gray literature and study reference lists, plus the first 10 pages of Google Scholar, were screened. The review followed PRISMA 2020 guidelines. Bias risk was assessed using PROBAST (for prediction models) and QUADAS-2 (for diagnostic studies). Two reviewers independently performed study selection and data extraction after pilot training. Results: A total of 26 studies were included: 16 focused on detection and 10 on prediction of HTN using AI-enhanced ECG. Overall, 96% reported successful outcomes, underscoring the strong diagnostic and prognostic potential of this approach. Among detection studies, 94% successfully identified hypertensive individuals, classified blood pressure (BP) levels, or evaluated cardiovascular risk. Most were retrospective in design (75%), with internal validation in 44% and external validation in 19%. Sample sizes ranged from 100 to over 120,000, including healthy and cardiovascular patients. Commonly used algorithms included deep Learning, random forest, and ensemble methods, often using single-lead ECG data, highlighting the feasibility of wearable technologies. QUADAS-2 identified 56% of studies had low risk of bias. All prediction studies achieved accurate estimation of systolic/diastolic BP or predicted future HTN onset. Designs were 40% experimental and 50% retrospective. All studies reported internal validation, and 50% included external validation. AI models such as CNNs, ResNet-LSTM, and U-Net were used across clinical and community-based populations, with follow-up periods of up to 6.8 years. Populations were predominantly normotensive or mixed. PROBAST assessments showed 60% low and 40% moderate risk of bias. Conclusion: AI-enhanced ECG is a promising, non-invasive tool for early detection and prediction of HTN. However, external validation and clinical trials are needed to support integration and generalizability.
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 | 0,006 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,007 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 ».