Predicting Incident Atrial Fibrillation after Stroke: A Scoping Review of Clinical Scores, Biomarkers, and AI-Enhanced Strategies
Notice bibliographique
Résumé
BACKGROUND: Incident atrial fibrillation (AF) after ischemic stroke is frequently underdetected despite its implications for anticoagulation and prevention of recurrent events. Multiple strategies - clinical risk scores, serum biomarkers, imaging markers, digital electrocardiographic (ECG) monitoring, and artificial intelligence (AI)-based models - have been proposed to predict or detect post-stroke AF, but their comparative performance and applicability in routine practice remain uncertain. SUMMARY: We conducted a scoping review following PRISMA-ScR guidelines to map evidence on tools for predicting or detecting post-stroke AF in adults without known AF at baseline. We synthesized studies on clinical prediction scores, circulating biomarkers, imaging-derived markers, digital monitoring technologies, and AI-enhanced predictive models. Natriuretic peptides, particularly NT-proBNP and mid-regional pro-atrial natriuretic peptide, demonstrate the most consistent association with incident AF and may improve risk stratification. Imaging markers such as left atrial dimensions and radiomic features show potential but lack robust validation. Digital monitoring modalities - including handheld ECG devices, wearable patch monitors, smartwatches, and implantable loop recorders - differ substantially in diagnostic yield, cost, and feasibility across settings. AI-based approaches using electronic health record data or ECG signals achieve high discrimination in development cohorts but require prospective clinical evaluation. Based on the evidence landscape, we outline a tiered diagnostic pathway integrating clinical scores, biomarker-guided triage, and stepwise ECG monitoring adapted to resource availability. KEY MESSAGES: Optimal post-stroke AF detection requires a multimodal strategy rather than isolated tools. Natriuretic peptides are the most validated biomarkers. Digital and AI-driven tools may broaden detection capacity but need external validation. A tiered diagnostic pathway may optimize diagnostic yield and resource allocation.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| 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 ».