Détection et suivi des singularités de phase par le suivi des fronts de dépolarisation dans un modèle informatique de fibrillation auriculaire
Bibliographic record
Abstract
La fibrillation auriculaire affecte un nombre grandissant d’individus chaque année et peut mener à de graves complications telles qu’un accident vasculaire cérébral. Une approche thérapeutique est la thermo- ou cryoablation par cathéter de zones tissulaires essentielles au maintien des épisodes de fibrillation. Une des cibles proposées pour l’ablation est le centre des rotors qui maintiennent l’arythmie en créant des réentrées stables. Ces rotors sont détectés à partir de signaux de cartographie électrique ou optique ou dans des simulations à l’aide du concept de singularité de phase (SP). L’analyse de ces SP donne une description de la dynamique de la fibrillation. Le suivi dans le temps (tracking) des SP a une importance critique pour calculer la durée de vie des rotors et leur stabilité. L’objectif du projet est donc d’améliorer les algorithmes de détection et de suivi des SP. Nous avons développé des modèles de tissus cardiaques 2D avec des hétérogénéités dynamiques (variations battement à battement), ionique (conductance des canaux potassiques), et structurelles (fibrose). Des épisodes de fibrillation ont été simulés dans ces modèles. Le script développé permet de suivre avec précision les SP de l’ensemble de simulations. La performance de cet algorithme varie en fonction de la complexité de la dynamique étudiée et du pas de temps utilisé pour faire le suivi. Une correction a posteriori et une simplification à partir d’un facteur de seuillage (τps = 15ms) permettent de mettre en évidence les rotors permanents avec une longue durée de vie. Cet algorithme permettra donc de faciliter les analyses de dynamique de fibrillation auriculaire en contexte de simulation sous la forme de feuillet tissulaire 2D. La méthode utilisée est aussi généralisable aux modèles 3-dimensionnels.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".