Lasso Regression for the Prediction of Intermediate Outcomes Related to Cardiovascular Disease Prevention Using the TRANSIT Quality Indicators
Notice bibliographique
Résumé
BACKGROUND: Cardiovascular disease morbidity and mortality are largely influenced by poor control of hypertension, dyslipidemia, and diabetes. Process indicators are essential to monitor the effectiveness of quality improvement strategies. However, process indicators should be validated by demonstrating their ability to predict desirable outcomes. The objective of this study is to identify an effective method for building prediction models and to assess the predictive validity of the TRANSIT indicators. METHODS: On the basis of blood pressure readings and laboratory test results at baseline, the TRANSIT study population was divided into 3 overlapping subpopulations: uncontrolled hypertension, uncontrolled dyslipidemia, and uncontrolled diabetes. A classic statistical method, a sparse machine learning technique, and a hybrid method combining both were used to build prediction models for whether a patient reached therapeutic targets for hypertension, dyslipidemia, and diabetes. The final models' performance for predicting these intermediate outcomes was established using cross-validated area under the curves (cvAUC). RESULTS: At baseline, 320, 247, and 303 patients were uncontrolled for hypertension, dyslipidemia, and diabetes, respectively. Among the 3 techniques used to predict reaching therapeutic targets, the hybrid method had a better discriminative capacity (cvAUCs=0.73 for hypertension, 0.64 for dyslipidemia, and 0.79 for diabetes) and succeeded in identifying indicators with a better capacity for predicting intermediate outcomes related to cardiovascular disease prevention. CONCLUSIONS: Even though this study was conducted in a complex population of patients, a set of 5 process indicators were found to have good predictive validity based on the hybrid method.
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 | 0,001 | 0,003 |
| 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 | 0,000 |
| 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 ».