Ensemble-based Classification Models for Predicting Post-Operative Mortality Risk in Coronary Artery Disease
Notice bibliographique
Résumé
IntroductionThere has been an increased demand for more accurate prediction tools to aid clinical decision-making regarding disease diagnosis prognosis for coronary artery disease(CAD) patients. Patients undergoing CABG surgery are older and a larger number have had previous heart surgery. Consequently, mortality after CABG is expected to increase despite procedural advances.
 Objectives and ApproachThis study aims to compare the predictive performance of random forest(RF) and logistic regression(LR) classifiers for predicting 30-day and 1-year post-operative mortality risk in CAD patients who underwent CABG. Data was obtained by linking the Alberta Provincial Project for Outcome Assessment in Coronary Heart Disease(APPROACH) registry, a prospective longitudinal data of patients undergoing cardiac catheterization in Alberta, Canada, to vital statistics database. All patients who underwent first-time isolated CABG between January 1, 2007 and December 31, 2012 were included in the analysis. Area under the receiver operating curve(AUC) was used to compare the predictive performance of LR and RF regression.
 ResultsOf the 4,908 eligible subjects who underwent isolated CABG during the study period, mortality estimates of 30-day and 1-year post CABG surgery were 1.59% and 3.85%, respectively. Descriptive analysis revealed that age, sex, hypertension, dialysis, cerebrovascular disease, chronic obstructive pulmonary disease, and chronic heart failure were associated with 30-day and 1-year mortality. The accuracy of the LR and RF regression classifiers in predicting 30-day mortality were 74.1, and 99.7%, respectively. While the accuracy of the former and latter classifiers in predicting 1-year post CABG mortality were 74% and 97.4%, respectively.
 Conclusion/ImplicationsThis study shows that RF classifier results in better predictive accuracy than LR in predicting post-operating mortality risk in CAD patients. Machine learning models are potentially usefully for developing clinical prediction models that can be used to aid the monitoring of post-discharge outcomes in the management of cardiovascular diseases.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».