Neural Networks for Prognostication of Patients With Heart Failure
Notice bibliographique
Résumé
Background Prognostication of heart failure patients from cardiopulmonary exercise test (CPET) currently involves simplification of complex time-series data into summary indices. We hypothesized that prognostication could be improved by considering the totality of the data generated during a CPET, instead of using summary indices alone. Methods and Results Complete data from 1156 CPETs were used to predict clinical deterioration (characterized by initiation of mechanical circulatory support, listing for heart transplantation or mortality) 1 year post-CPET. We compared the prognostic value (area under the receiver operating characteristic curve) of (1) the most predictive summary indices, (2) staged data collected at discrete intervals using multivariable regression models, and (3) breath-by-breath data using a feedforward neural network. The top-performing models were compared with the commonly used CPET risk score, using absolute net reclassification index. All models were trained and assessed using a 100-iteration Monte Carlo cross-validation. A total of 190 (16.4%) patients experienced clinical deterioration. The summary indices demonstrated subpar discriminative value (area under the receiver operating characteristic curve ≤0.800). Each multivariable model outperformed the summary indices, with the neural network incorporating breath-by-breath data achieving the best performance (area under the receiver operating characteristic curve =0.842). When compared with the CPET risk score (area under the receiver operating characteristic curve =0.759), the top-performing model obtained a net reclassification index of 4.9%. Conclusions The current practice of considering summary indices in isolation fails to realize the full value of CPET data. This may lead to less accurate prognostication of patients and in consequence, inaccurate selection of patients for advanced therapy. Clinical practices, like CPET prognostication, must be continuously reevaluated to ensure optimal usage of valuable (and oft-underutilized) data sources.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».