Identifying Cardiac Syncope Based on Clinical History: A Literature-Based Model Tested in Four Independent Datasets
Notice bibliographique
Résumé
BACKGROUND: We aimed to develop and test a literature-based model for symptoms that associate with cardiac causes of syncope. METHODS AND RESULTS: Seven studies (the derivation sample) reporting ≥2 predictors of cardiac syncope were identified (4 Italian, 1 Swiss, 1 Canadian, and 1 from the United States). From these, 10 criteria were identified as diagnostic predictors. The conditional probability of each predictor was calculated by summation of the reported frequencies. A model of conditional probabilities and a priori probabilities of cardiac syncope was constructed. The model was tested in four datasets of patients with syncope (the test sample) from Calgary (n=670; 21% had cardiac syncope), Amsterdam (n=503; 9%), Milan (n=689; 5%) and Rochester (3877; 11%). In the derivation sample ten variables were significantly associated with cardiac syncope: age, gender, structural heart disease, low number of spells, brief or absent prodrome, supine syncope, effort syncope, and absence of nausea, diaphoresis and blurred vision. Fitting the test datasets to the full model gave C-statistics of 0.87 (Calgary), 0.84 (Amsterdam), 0.72 (Milan) and 0.71 (Rochester). Model sensitivity and specificity were 92% and 68% for Calgary, 86% and 67% for Amsterdam, 76% and 59% for Milan, and 73% and 52% for Rochester. A model with 5 variables (age, gender, structural heart disease, low number of spells, and lack of prodromal symptoms) was as accurate as the total set. CONCLUSION: A simple literature-based Bayesian model of historical criteria can distinguish patients with cardiac syncope from other patients with syncope with moderate accuracy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,031 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».