An electrical pulse artifact signal for estimating arterial blood pressure: a proof-of-concept study
Notice bibliographique
Résumé
Abstract Objective. Hypertension is a leading cause of mortality worldwide, for which myriad treatment options are available. It is widely considered that continuous measurement of arterial blood pressure (BP) could improve the treatment of hypertension; however, chronically monitoring patient BP remains a significant challenge. In this study, we investigated a novel approach that uses an implantable electrode to generate an artifact signal for predicting arterial BP. Approach. In isoflurane anesthetized rats ( n = 10, male), the right common carotid artery was instrumented with a multi-contact cuff electrode to acquire the artifact signal—termed the electro-vascular-gram (EVG) and the contralateral common carotid artery was catheterized to measure intra-arterial BP. The EVG signals were processed (e.g. extract Catch22 features) and applied to linear regression, random forest (RF) regressor, and convolutional neural network models to predict systolic and diastolic BP. Main results. Among the various models tested with the EVG data, the RF model + Catch22 features method achieved the highest performance, yielding predicted BP values (error < 5 mmHg) in 82.6%–100% and 84.1%–99.9% of the testing set for systolic and diastolic, respectively. A 5-fold cross-validation demonstrated similar performance by predicting BP values (error < 5 mmHg) in 91.5 ± 0.1% and 92.4 ± 0.1% of testing data for systolic and diastolic, respectively. Significance. This proof-of-concept study supports the feasibility of using an implantable electrode and machine learning models for potentially measuring arterial BP in continuous fashion. Further system development is warranted prior to clinical translation.
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 ».