Diagnostic value of patterns of symptoms and signs of heart failure: application of latent class analysis with concomitant variables in a cross-sectional study
Notice bibliographique
Résumé
OBJECTIVE: The diagnosis of heart failure (HF) requires a compatible clinical syndrome and demonstration of cardiac dysfunction by imaging or functional tests. Since individual symptoms and signs are generally unreliable and have limited value for diagnosing HF, the authors aimed to identify patterns of symptoms and signs, based on findings routinely collected in current clinical practice, and to evaluate their diagnostic value, taking into account the a priori likelihood of HF. DESIGN: Cross-sectional evaluation. PARTICIPANTS: 1115 community participants aged ≥45 years from Porto, Portugal, in 2006-2008. MAIN OUTCOMES MEASURES: Patterns were identified by latent class analysis, using concomitant variables to predict class membership. Patterns used 11 symptoms/signs, covering dimensions of congestion and hypoperfusion. Sex, age, education, obesity, diabetes and history of myocardial infarction or HF were included as concomitants. RESULTS: Bayesian information criteria supported a solution with three patterns: 10.1% of participants followed a pattern with symptoms of troubled breathing and signs of congestion (pattern 1), 27.8% a pattern characterised mainly by signs of congestion (pattern 2) and 62.1% were essentially asymptomatic (pattern 3); model fit was best when including concomitant variables. The likelihood ratio of patterns 1, 2 and 3 for left ventricular systolic dysfunction was 3.4, 1.1 and 0.6, and for left ventricular diastolic dysfunction 3.5, 1.4 and 0.5, respectively. CONCLUSIONS: The use of concomitant variables can improve the diagnostic value of the symptoms and signs patterns and, consequently, improve the usefulness of the symptoms and signs for diagnosis and as an outcome measure. The potential for application in other settings of complex diagnoses is very high. These models were shown to be useful to standardise and quantify the probabilistic reasoning in clinical diagnosis, upon which decisions of further investigation and even treatment need to be made.
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 | 0,025 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».