論文の概要: Accuracy of Wearable ECG Parameter Calculation Method for Long QT and First-Degree A-V Block Detection: A Multi-Center Real-World Study with External Validations Compared to Standard ECG Machines and Cardiologist Assessments

• arxiv url: http://arxiv.org/abs/2502.17499v1
• Date: Fri, 21 Feb 2025 08:11:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:18:48.905284
• Title: Accuracy of Wearable ECG Parameter Calculation Method for Long QT and First-Degree A-V Block Detection: A Multi-Center Real-World Study with External Validations Compared to Standard ECG Machines and Cardiologist Assessments
• Title（参考訳）: 長QTおよび一重A-Vブロック検出のためのウェアラブル心電図パラメータ算出手法の精度:標準心電図装置と心電図装置との比較による外的検証によるマルチセンター実世界調査
• Authors: Sumei Fan, Deyun Zhang, Yue Wang, Shijia Geng, Kun Lu, Meng Sang, Weilun Xu, Haixue Wang, Qinghao Zhao, Chuandong Cheng, Peng Wang, Shenda Hong,
• Abstract要約: FeatureDBは、ウェアラブルシングルリード信号からECGパラメータを自動的に計算する新しいアルゴリズムである。 これは、標準ECGマシンによって計算されたキーパラメータ(PR間隔、QRS間隔、QT間隔、QTc)と統計的に有意な相関を示す。 FeatureDBはLong QT症候群(LQT)と房室ブロック間隔異常(AVBI)の検出において堅牢な診断性能を示した
• 参考スコア（独自算出の注目度）: 12.802249610851181
• License:
• Abstract: In recent years, wearable devices have revolutionized cardiac monitoring by enabling continuous, non-invasive ECG recording in real-world settings. Despite these advances, the accuracy of ECG parameter calculations (PR interval, QRS interval, QT interval, etc.) from wearables remains to be rigorously validated against conventional ECG machines and expert clinician assessments. In this large-scale, multicenter study, we evaluated FeatureDB, a novel algorithm for automated computation of ECG parameters from wearable single-lead signals Three diverse datasets were employed: the AHMU-FH dataset (n=88,874), the CSE dataset (n=106), and the HeartVoice-ECG-lite dataset (n=369) with annotations provided by two experienced cardiologists. FeatureDB demonstrates a statistically significant correlation with key parameters (PR interval, QRS duration, QT interval, and QTc) calculated by standard ECG machines and annotated by clinical doctors. Bland-Altman analysis confirms a high level of agreement.Moreover,FeatureDB exhibited robust diagnostic performance in detecting Long QT syndrome (LQT) and atrioventricular block interval abnormalities (AVBI),with excellent area under the ROC curve (LQT: 0.836, AVBI: 0.861),accuracy (LQT: 0.856, AVBI: 0.845),sensitivity (LQT: 0.815, AVBI: 0.877),and specificity (LQT: 0.856, AVBI: 0.845).This further validates its clinical reliability. These results validate the clinical applicability of FeatureDB for wearable ECG analysis and highlight its potential to bridge the gap between traditional diagnostic methods and emerging wearable technologies.Ultimately,this study supports integrating wearable ECG devices into large-scale cardiovascular disease management and early intervention strategies,and it highlights the potential of wearable ECG technologies to deliver accurate,clinically relevant cardiac monitoring while advancing broader applications in cardiovascular care.
• Abstract（参考訳）: 近年、ウェアラブルデバイスは、実際の環境で連続して非侵襲的な心電図記録を可能にすることで、心臓のモニタリングに革命をもたらした。 これらの進歩にもかかわらず、ウェアラブルからのECGパラメータ計算(PR間隔、QRS間隔、QT間隔など)の精度は、従来のECGマシンや専門臨床評価に対して厳格に検証されている。 AHMU-FHデータセット(n=88,874),CSEデータセット(n=106),HeartVoice-ECG-liteデータセット(n=369)の3つの多種多様なデータセットを,経験者2名による注釈付きで使用した。 FeatureDBは、標準的なECGマシンで計算され、臨床医師によって注釈付けされたキーパラメータ(PR間隔、QRS期間、QT間隔、QTc)と統計的に有意な相関を示す。 Bland-Altman 分析では,Long QT 症候群 (LQT) と atrioventricular block interval abnormalities (AVBI) の検出において, ROC 曲線 (LQT: 0.836, AVBI: 0.861), 精度 (LQT: 0.856, AVBI: 0.845), 感度 (LQT: 0.815, AVBI: 0.877), 特異性 (LQT: 0.856, AVBI: 0.845) が良好であった。 これにより、その臨床的信頼性が検証される。 これらの結果は、ウェアラブル心電図分析におけるFeatureDBの臨床応用性を検証するとともに、従来の診断方法と新興ウェアラブル技術のギャップを埋める可能性を強調するとともに、ウェアラブル心電図デバイスを大規模心血管疾患管理と早期介入戦略に統合することを支援するとともに、ウェアラブル心電図技術が正確な循環型心電図モニタリングを実現するとともに、より広範な心血管ケアの応用を推し進める可能性を強調している。

関連論文リスト

• rECGnition_v1.0: Arrhythmia detection using cardiologist-inspired multi-modal architecture incorporating demographic attributes in ECG [3.0473237906125954]
  本稿では,心電図解析と不整脈分類のための新しいマルチモーダル手法を提案する。 提案したrECGnition_v1.0アルゴリズムはクリニックへの展開の道を開く。
  論文  参考訳（メタデータ） (2024-10-09T11:17:02Z)
• Self-supervised Anomaly Detection Pretraining Enhances Long-tail ECG Diagnosis [32.37717219026923]
  現在のコンピュータ支援心電図診断システムでは, まれながら重要な心疾患の診断に苦慮している。 本研究は、この制限に対処するために、自己教師付き異常検出プリトレーニングを用いた新しいアプローチを提案する。 異常検出モデルは、正常な心臓パターンからの微妙な偏差を検出し、局所化するように設計されている。
  論文  参考訳（メタデータ） (2024-08-30T09:48:47Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• A Novel Deep Learning Technique for Morphology Preserved Fetal ECG Extraction from Mother ECG using 1D-CycleGAN [3.4162369786064497]
  非侵襲性胎児心電図(fECG)は、発達中の心臓の異常を容易に検出することができる。 fECGの低振幅、系統的および周囲雑音、典型的な信号抽出法は、良好なfECGを生成できない。 本手法は1D CycleGANに基づいて,mECG信号からfECG信号を再構成する。 胎児の心拍数とR-R間隔長に対するソリューションの精度は、既存の最先端技術に匹敵するものである。
  論文  参考訳（メタデータ） (2023-09-25T19:38:51Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• IMLE-Net: An Interpretable Multi-level Multi-channel Model for ECG Classification [0.9449650062296824]
  臨床環境では、心臓科医が標準12チャンネル心電図記録に基づいて診断を行う。 本稿では,標準ECG記録で利用可能なマルチチャネル情報を活用し,ビート,リズム,チャネルレベルのパターンを学習するモデルを提案する。 実験結果から,マクロ平均ROC-AUCスコアは0.9216,平均精度は88.85%,最大F1スコアは0.8057であった。
  論文  参考訳（メタデータ） (2022-04-06T16:29:10Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Estimation of atrial fibrillation from lead-I ECGs: Comparison with cardiologists and machine learning model (CurAlive), a clinical validation study [0.0]
  本研究では,人工知能を用いた心房細動検出法を提案する。 本研究の目的は, 心臓科医と人工知能の診断精度をリードI心電図と比較することである。
  論文  参考訳（メタデータ） (2021-04-15T12:50:16Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• 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)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。