Multimodal Transformer–Based Electrocardiogram Analysis for Cardiovascular Comorbidity Detection: Model Development and Validation Study
Notice bibliographique
Résumé
BACKGROUND: Cardiovascular diseases (CVDs) remain the leading global cause of mortality, yet traditional electrocardiogram (ECG) interpretation suffers from subjective variability and limited sensitivity to complex pathologies. OBJECTIVE: To address these challenges, we propose the Cardiovascular Multimodal Prediction Network (CaMPNet), a Transformer-based multimodal architecture that integrates raw 12-lead ECG waveforms, nine structured machine-measured the electrocardiogram (ECG) features, and demographic data (age and sex) through cross-attention fusion. METHODS: The model was trained on 384,877 records from the MIMIC-IV-ECG database and evaluated across 12 cardiovascular disease labels. To further assess temporal robustness, a temporal external validation was performed using the most recent 10% of the data, withheld chronologically from model development. RESULTS: On the internal test set, the model achieved a mean Area Under the Curve (AUC) of 0.845 and Area Under the Precision-Recall Curve (AUPRC) of 0.489, outperforming the ResNet-ECG baseline (AUC 0.848 but F1 0.152) and all single-modality variants. Subgroup analyses demonstrated consistent performance across demographics (male AUC 0.846 vs female 0.843; youngest quartile 0.884 vs oldest 0.811). CaMPNet retained moderate discriminative ability in temporal external validation with a mean AUC of 0.715 and AUPRC of 0.298, though performance declined due to temporal distribution shifts. Despite this, major disease categories such as atrial fibrillation, heart failure, and normal rhythm maintained high AUCs (> 0.84). Attention-based visualization revealed clinically interpretable patterns (e.g., ST-segment elevations in ST-Segment Elevation Myocardial Infarction), and ablation experiments verified the model's tolerance to missing structured inputs. CONCLUSIONS: CaMPNet demonstrates robust and interpretable multimodal ECG-based diagnosis, offering a scalable framework for comorbidity screening and continual learning under real-world temporal dynamics.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 ».