Journal ArticleDOI
Assessment of left ventricular systolic function using a single-channel ECG monitor with photoplethysmography based on machine learning models
Zh.N. Sagirova,N.O. Kuznetsova,Andrij Suvorov,D. G. Gognieva,V.M. Kulikov,P. Chomakhidze,Daniil A. Andreev,Ph. Yu. Kopylov +7 more
TLDR
In this article , the authors present a survey of the state-of-the-art technologies used in the field of data collection and analysis in the context of data mining. But their focus is on data collection, not data analysis.Abstract:
<h3>ЦЕЛЬ ИССЛЕДОВАНИЯ</h3> Разработка моделей машинного обучения для определения снижения систолической функции миокарда левого желудочка (ЛЖ) по данным электрокардиограммы (ЭКГ) и фотоплетизмограммы (ФПГ), зарегистрированным с помощью одноканального ЭКГ-монитора с функцией фотоплетизмографии. <h3>МАТЕРИАЛ И МЕТОДЫ</h3> В исследование были проспективно включены 400 пациентов. Каждому участнику исследования была выполнена эхокардиография, при которой определяли фракцию выброса (ФВ) ЛЖ и VTI выносящего тракта ЛЖ. Затем проводили регистрацию ЭКГ и ФПГ одноканальным ЭКГ-монитором с функцией фотоплетизмографии, который имеет вид чехла для смартфона. Затем все зарегистрированные записи передавали на единый сервер, где проводили расчет параметров ЭКГ и ФПГ. На основе полученных параметров были построены модели для оценки прогнозирования снижения систолической функции ЛЖ с применением регрессии Лассо и алгоритма «случайный лес». <h3>РЕЗУЛЬТАТЫ</h3> Были получены модели для ФВ менее 55, 40, 30% и VTI менее 16 и 13 см соответственно. Для каждой модели рассчитывали площадь под ROC-кривой (AUC), чувствительность, специфичность. Для моделей с применением регрессии Лассо результаты были следующими: для ФВ <55% AUC составила 0,857 (чувствительность 0,818, специфичность 0,860); для ФВ <40% — 0,971; для ФВ <30% — 0,982; для VTI <13 — 0,754, для VTI <16 — 0,746. Для моделей, построенных на основе алгоритма «случайный лес», результаты были также достаточно высокими: для ФВ <55% AUC составила 0,913; для ФВ <40% — 0,955; для ФВ <30% — 0,962; для VTI <13 — 0,776, для VTI <16 — 0,782. <h3>ВЫВОД</h3> Модели на основе машинного обучения, построенные с использованием параметров ЭКГ и ФПГ, показали достаточно высокую точность в оценке снижения систолической функции ЛЖ. read more
References
More filters
Journal ArticleDOI
Regularization Paths for Generalized Linear Models via Coordinate Descent
TL;DR: In comparative timings, the new algorithms are considerably faster than competing methods and can handle large problems and can also deal efficiently with sparse features.
Journal ArticleDOI
Recommendations for cardiac chamber quantification by echocardiography in adults: an update from the American Society of Echocardiography and the European Association of Cardiovascular Imaging.
Roberto M. Lang,Luigi P. Badano,Victor Mor-Avi,Jonathan Afilalo,Anderson C. Armstrong,Laura Ernande,Frank A. Flachskampf,Elyse Foster,Steven A. Goldstein,Tatiana Kuznetsova,Patrizio Lancellotti,Denisa Muraru,Michael H. Picard,Ernst Rietzschel,Lawrence G. Rudski,Kirk T. Spencer,Wendy Tsang,Jens-Uwe Voigt +17 more
TL;DR: This document provides updated normal values for all four cardiac chambers, including three-dimensional echocardiography and myocardial deformation, when possible, on the basis of considerably larger numbers of normal subjects, compiled from multiple databases.
Journal ArticleDOI
2021 ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure.
Theresa McDonagh,Marco Metra,Marianna Adamo,Roy S. Gardner,Andreas Baumbach,Michael Böhm,Haran Burri,Javed Butler,Jelena Čelutkienė,Ovidiu Chioncel,John G F Cleland,A J S Coats,Maria G Crespo-Leiro,Dimitrios Farmakis,Martine Gilard,Stephane Heymans,Arno W. Hoes,Tiny Jaarsma,Ewa A. Jankowska,Mitja Lainscak,Carolyn S.P. Lam,Alexander R. Lyon,John J.V. McMurray,Alexandre Mebazaa,Richard Mindham,Claudio Muneretto,Massimo F Piepoli,Susanna Price,Giuseppe M.C. Rosano,Frank Ruschitzka,Anne Kathrine Skibelund +30 more
Journal ArticleDOI
Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram
Zachi I. Attia,Suraj Kapa,Francisco Lopez-Jimenez,Paul M. McKie,Dorothy J. Ladewig,Gaurav Satam,Patricia A. Pellikka,Maurice Enriquez-Sarano,Peter A. Noseworthy,Thomas M. Munger,Samuel J. Asirvatham,Christopher G. Scott,Rickey E. Carter,Paul A. Friedman +13 more
TL;DR: A deep learning algorithm applied to the electrocardiogram can detect abnormally low contractile function of the heart, opening up the possibility for a simple screening tool for this condition.
Journal ArticleDOI
Epidemiology and one-year outcomes in patients with chronic heart failure and preserved, mid-range and reduced ejection fraction: An analysis of the ESC Heart Failure Long-Term Registry
Ovidiu Chioncel,Mitja Lainscak,Petar M. Seferović,Stefan D. Anker,María G. Crespo-Leiro,Veli-Pekka Harjola,John Parissis,Cécile Laroche,Massimo F Piepoli,Candida Fonseca,Alexandre Mebazaa,Lars Lund,Giuseppe Ambrosio,Andrew J.S. Coats,Roberto Ferrari,Frank Ruschitzka,Aldo P. Maggioni,Gerasimos Filippatos +17 more
TL;DR: The objectives of the present study were to describe epidemiology and outcomes in ambulatory heart failure patients stratified by left ventricular ejection fraction (LVEF) and to identify predictors for mortality at 1 year in each group.