論文の概要: Atrial Fibrillation Recurrence Risk Prediction from 12-lead ECG Recorded
Pre- and Post-Ablation Procedure
- arxiv url: http://arxiv.org/abs/2208.10550v1
- Date: Mon, 22 Aug 2022 18:55:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 13:54:17.161921
- Title: Atrial Fibrillation Recurrence Risk Prediction from 12-lead ECG Recorded
Pre- and Post-Ablation Procedure
- Title（参考訳）: 12誘導心電図記録による心房細動再発リスク予測
- Authors: Eran Zvuloni, Sheina Gendelman, Sanghamitra Mohanty, Jason Lewen,
Andrea Natale, Joachim A. Behar
- Abstract要約: 心房細動(AF)カテーテル・アブレーション法(CAP)がAF再発の長期経過観察なしで成功したかどうかを判断するのは容易ではない。
本研究では,CAP前後に記録された12個の心電図の特徴を抽出し,AFRリスク予測機械学習モデルを訓練した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Introduction: 12-lead electrocardiogram (ECG) is recorded during atrial
fibrillation (AF) catheter ablation procedure (CAP). It is not easy to
determine if CAP was successful without a long follow-up assessing for AF
recurrence (AFR). Therefore, an AFR risk prediction algorithm could enable a
better management of CAP patients. In this research, we extracted features from
12-lead ECG recorded before and after CAP and train an AFR risk prediction
machine learning model. Methods: Pre- and post-CAP segments were extracted from
112 patients. The analysis included a signal quality criterion, heart rate
variability and morphological biomarkers engineered from the 12-lead ECG (804
features overall). 43 out of the 112 patients (n) had AFR clinical endpoint
available. These were utilized to assess the feasibility of AFR risk
prediction, using either pre or post CAP features. A random forest classifier
was trained within a nested cross validation framework. Results: 36 features
were found statistically significant for distinguishing between the pre and
post surgery states (n=112). For the classification, an area under the receiver
operating characteristic (AUROC) curve was reported with AUROC_pre=0.64 and
AUROC_post=0.74 (n=43). Discussion and conclusions: This preliminary analysis
showed the feasibility of AFR risk prediction. Such a model could be used to
improve CAP management.
- Abstract（参考訳）: 12誘導心電図(ECG)は心房細動(AF)カテーテルアブレーション(CAP)中に記録される。
AF再発(AFR)の長期経過観察なしにCAPが成功したかどうかを判断することは容易ではない。
したがって、AFRリスク予測アルゴリズムはCAP患者のより良い管理を可能にする。
本研究では,CAP前後に記録された12個の心電図の特徴を抽出し,AFRリスク予測機械学習モデルを訓練した。
方法: 患者112名から前部と後部を抽出した。
分析には、信号品質基準、心拍変動、および12リードecg(全体804機能)による形態的バイオマーカーが含まれていた。
112例中43例 (n) にafr臨床エンドポイントが利用可能であった。
これらは、AFRのリスク予測の可能性を評価するために、preまたはpostのCAP特徴を用いて利用された。
ランダムフォレスト分類器はネストしたクロス検証フレームワーク内でトレーニングされた。
結果: 術前状態と術後状態 (n=112) を区別するために, 統計的に36の特徴が認められた。
この分類では、auroc_pre=0.64とauroc_post=0.74(n=43)を用いて受信機動作特性(auroc)曲線下の領域を報告した。
考察と結論: この予備分析はAFRリスク予測の可能性を示した。
このようなモデルはCAP管理を改善するために使用できる。
関連論文リスト
- Early Risk Assessment Model for ICA Timing Strategy in Unstable Angina Patients Using Multi-Modal Machine Learning [5.070772577047069]
不安定狭心症(UA)を含む心血管疾患の診断のための金の基準として、浸潤性冠動脈造影(ICA)が認められている
心筋梗塞とは異なり、UAはST偏位や心筋酵素のような特定の指標を持っておらず、リスクアセスメントが複雑になる。
本研究の目的は,UA患者に対する早期リスクアセスメントを機械学習アルゴリズムを用いて向上することである。
論文 参考訳（メタデータ） (2024-08-08T07:24:28Z) - SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。
光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。
本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
論文 参考訳（メタデータ） (2024-04-15T01:07:08Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - End-to-end Risk Prediction of Atrial Fibrillation from the 12-Lead ECG
by Deep Neural Networks [1.4064206416094476]
心房細動(英: atrial fibrillation、AF)は、毎年何百万人もの人に影響を及ぼす心不整脈の1つである。
機械学習手法は心電図からAFの発生リスクを評価する上で有望な結果を示している。
論文 参考訳（メタデータ） (2023-09-28T10:47:40Z) - Deep artificial neural network for prediction of atrial fibrillation
through the analysis of 12-leads standard ECG [0.0]
心房細動(Atrial Fibrillation,AF)は心臓不整脈である。
畳み込みニューラルネットワークを用いてECGを分析し,現実的なデータセットからAFを予測する。
論文 参考訳（メタデータ） (2022-01-14T10:09:01Z) - Machine Learning Methods for Identifying Atrial Fibrillation Cases and
Their Predictors in Patients With Hypertrophic Cardiomyopathy: The
HCM-AF-Risk Model [0.3904666078483698]
肥大型心筋症 (HCM) は心房細動の頻度が高く, 脳卒中リスクが高い。
我々は、データ駆動型機械学習に基づく手法を開発し応用し、AFの事例を識別する。
我々のモデルは,HCM における AF 症例の同定のための,最初の機械学習に基づく手法である。
論文 参考訳（メタデータ） (2021-09-19T20:00:49Z) - Multilabel 12-Lead Electrocardiogram Classification Using Gradient
Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。
各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。
各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文 参考訳（メタデータ） (2020-10-21T18:11:36Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳（メタデータ） (2020-07-16T17:43:13Z) - A Physiology-Driven Computational Model for Post-Cardiac Arrest Outcome
Prediction [0.7930054475711718]
本研究の目的は,CA後の結果を予測する計算モデルを構築することである。
我々は、生理的時系列(PTS)データの統合と機械学習(ML)分類器の訓練によりモデル性能を向上させることができると仮定した。
その結果, MLモデルによるCA後予測モデルの有効性が証明され, PTSが短期成績確率を符号化した後のごく初期段階に記録されることが示唆された。
論文 参考訳（メタデータ） (2020-02-09T07:53:50Z) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2020-02-06T16:39:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。