Abstract 4342556: Rhythm Identification of Wide Complex Tachycardia on 12-Lead ECG Using a Convolutional Neural Network
Notice bibliographique
Résumé
BACKGROUND: Wide complex tachycardia (WCT) remains one of the most challenging dilemmas in electrocardiogram (ECG) interpretation. Supraventricular tachycardia (SVT) and ventricular tachycardia (VT) have different prognostic implications and have drastically different management. There are numerous algorithms that summarize criteria for EKG or QRS pattern recognition such as the Brugada and Vereckei criteria. However, validation studies show that depending on the training of the interpreter, the ability to recall and apply such criteria varies and affects the outcome. Artificial intelligence, especially deep learning excels at pattern recognition, making it an attractive candidate to interpret EKGs. METHODS: Using raw ECG data of WCT (QRS > 120ms, heart rate > 120 bpm), a convolutional neural network (CNN), specifically ResNet, was developed for classification. The model characterizes WCT into SVT, VT, or paced rhythm. An initial base model was trained on all available training ECGs. The base model was fine tuned on an Electrophysiologist (EP)-adjudicated training set. The final model was validated against a holdout dataset of 400 EKGs on the basis of definitive findings to distinguish VT from SVT with aberrancy. The models were interrogated using explainability techniques including LIME and GradCAM. RESULTS: We extracted a total of 13792 WCT ECGs, of which 608 were VT, 12106 SVT and 1078 were pacing. The two-stage ResNet achieved an average area under the receiver operating characteristic curve (AUC) of 0.946 (95% CI 0.920-0.967), 0.950 (95% CI 0.929-0.968) and 0.975 (95% CI 0.957-0.991) for SVT, VT, and paced groups. Performance metrics for the test set were as follows: SVT – sensitivity 86.9% (±6.4%), specificity 88.5% (±3.9%); VT – sensitivity 74.6% (±7.9%), specificity 94.6% (±2.7%); pacing – 94.6% (±4.2%), sensitivity 95.0% (±2.7%). Explainability analysis revealed that the model looks at various parts of the QRS including depolarization and repolarization. CONCLUSION: The developed ResNet model is excellent at pattern recognition, which can identify any given WCT as VT, SVT, or paced rhythm with similar performance to Cardiologist read. AI is a valuable tool in assisting clinicians with interpretations of challenging ECG rhythms such as WCT and optimizing the 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) | 0,000 | 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) | 0,000 | 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 ».