Assessing Coronary Artery Disease Risk Using Seismocardiography in Patients with Chest Pain
Notice bibliographique
Résumé
This study introduces the EMR Score, a novel approach that integrates seismocardiography (SCG) features with clinical risk factors to estimate the pre-test probability of coronary artery disease (CAD) while focusing solely on chest pain presence. Data were collected from a multicenter randomized trial enrolling 1,640 participants, including 740 patients diagnosed with obstructive CAD and 900 healthy controls. CAD diagnosis was confirmed using coronary computed tomography angiography (CCTA) or invasive coronary angiography (ICA). SCG and electrocardiography (ECG) signals were recorded using the HeartForce CardioClin device. The EMR Score was developed using a one-dimensional convolutional neural network (1D CNN) trained on SCG-derived features and clinical variables, including age, sex, smoking status, hypertension, hyperlipidemia, diabetes, family history, and chest pain presence. The final model produced probabilities for CAD and non-CAD outcomes, optimized using categorical cross-entropy and the Adam optimizer, with performance evaluated via cross-validation. Unlike traditional models that rely on chest pain subtyping, the EMR Score follows the American Heart Association's (AHA) recommendation to prioritize chest pain as a key screening factor, reducing interobserver variability and improving applicability across diverse populations. The EMR Score outperformed the AHA model, achieving a higher AUC (0.85 vs. 0.74) and improved specificity (42% vs. 35%) while maintaining high sensitivity (96% vs. 90%). It also reclassified many intermediate-risk patients (69% in the AHA model vs. 19%), shifting them to low- (25%) or high-risk (55%) categories, where CAD prevalence was 8% and 70%, respectively. By eliminating subjective symptom classification and leveraging SCG-derived features, the EMR Score provides a scalable, cost-effective screening tool that enhances CAD risk stratification and optimizes clinical decision-making.
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 | 0,001 |
| 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 ».