Novel paradigms for clinical CPET interpretation: dynamic assessment of dyspnoea and ventilation during exercise (DyVe-X)
Notice bibliographique
Résumé
Background: Current cardiopulmonary exercise testing (CPET) interpretation approaches are largely insensitive to a key underpinning of exertional dyspnoea: dynamic demand-capacity imbalance. Aim: To develop novel CPET data analysis and interpretation software linking heightened mechanical-ventilatory demands relative to capacity and exertional dyspnoea throughout incremental CPET. Methods: AI-based software (DyVe-X) used loss function for classification to determine the severity of dyspnoea (Borg 0-10) and ventilatory constraints considering all CPET data points in 359 men and women with mild to end-stage COPD. DyVe-X output was compared with the traditional approach to indicate ventilatory limitation: peak ventilatory reserve<15%. Results: Dyspnoea-work rate and dyspnoea-ventilation increased with the severity of submaximal ventilatory constraints as indicated by DyVe-X. ∼ 50% of patients with preserved peak ventilatory reserve showed submaximal ventilatory constraints; ∼ 90% of them showed very severe dyspnoea-ventilation (> 95th centile of age- and sex-adjusted standards). Regardless of peak ventilatory reserve, patients showing submaximal ventilatory constraints had lower exercise capacity compared with non-constrained patients (p<0.05) (Figure). erj;66/suppl_69/PA6282/F1 F1 F1 Conclusion: DyVe-X is poised to improve CPET yield by exposing a role for "the lungs" in eliciting exertional dyspnoea in clinical populations.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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 ».