Cardiac Arrhythmia Classification From Lead I ECG Recorded in a Free-Living Environment
Notice bibliographique
Résumé
OBJECTIVE: Cardiac diseases are a leading cause of global mortality. Electrocardiograms (ECGs) are essential for detecting abnormal cardiac rhythms. Smartwatches can record ECGs, similar to lead I ECGs recorded by a patient vitals monitor in a hospital, potentially helping clinicians in early diagnosis and improved management of cardiovascular diseases. While AI models have classified arrhythmias with human-level accuracy, their potential for broad screening remains underutilized. METHODS: We propose a deep learning based framework for diagnosing various cardiac arrhythmias using 10-second lead I ECG recordings, demonstrating lead I's utility in remote monitoring. Robustness was tested by introducing noise to simulate real-world conditions. Additionally, a novel data similarity assessment metric was developed to enhance transfer learning and external dataset validation. RESULTS: Using over 60,000 ECGs from the PhysioNet Challenge 2021, the trained model classified clean lead I ECGs in one dataset with a test-fold area under receiver operating characteristic curve (AUC), sensitivity, and specificity of 0.915, 0.867 and 0.858 respectively. For signals with 0 dB signal-to-noise ratio from the same dataset, the respective performance metrics dropped slightly to 0.899, 0.862 and 0.818. External validation across three separate datasets showed a minimum AUC of 0.807. The data similarity metric outperformed an existing method in improving classification, particularly with limited target dataset samples, i.e. 50. CONCLUSION: The proposed Cardiac Arrhythmia Risk Evaluation from Lead-I ECG (CARE-I) framework enables accurate arrhythmia detection across diverse populations in real-world noisy environments, thus enhancing model generalisation and early diagnosis.
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 | 0,001 | 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 ».