Putting AI at the Centre of Heart Failure Care
Notice bibliographique
Résumé
Putting AI at the centre of heart failure care Heart failure (HF) is a global pandemic affecting over 40 million people worldwide and imposing a considerable human and economic burden.[1][2][3] At least 1-2% of the global healthcare budget is spent on HF, costs driven primarily by hospitalizations, many of which are regarded as preventable.[3][4][5] Worryingly, the prevalence of HF is increasing substantially alongside increases in predisposing diseases and co-morbidities (i.e.diabetes, hypertension, and obesity), a growing 'Western lifestyle' in developing countries, and an ageing population worldwide, 1,6,7 together imposing unsustainable demands on our healthcare systems.A new vision of care is required, one that embraces digital technologies to drive fundamental change in HF healthcare.Artificial intelligence (AI), a rapidly evolving field in medicine, especially cardiology, is revolutionizing risk prediction and stratification, diagnostics, precision medicine, workflows, and efficiency.[8][9][10] In a strategic paper, we [PAtient Self-care uSing eHealth In chrONic Heart Failure (PASSION-HF) consortium] propose using digital therapeutics powered by AI as a personalized approach to HF self-care.11 PASSION-HF aims to develop a virtual 'doctor at home' system.Being able to pool datasets smartly and extrapolating relevance at an individual level, our AI approach offers huge potential for reducing clinician burden, improving clinical efficacy, and enhancing patient experience and outcomes.11 AI techniques are transforming cardiovascular diagnosis through interpreting and finding meaning in vast sets of data, faster and more effectively than the human brain.8 Machine learning, the most common application of AI, is characterized by the ability to learn from data without being explicitly programmed.Through the development of reinforcement learning algorithms, machine learning recognizes patterns in new data to create its own logic to continuously improve cardiovascular disease prediction and diagnosis.9 Accordingly, AI is able to deal with enormous combinations of multi-markers, essential in the prediction and prevention of deterioration of complex diseases like HF.Even so, such predictive models are largely dependent on high-quality large-scale datasets that are not easily accessible, and datasets of poorer quality may lead to biases with subsequent decrease in the predictive accuracy of models.12 However, through strategic selection of underlying data and use of sensitivity checks, algorithm developers can mitigate AI bias.12 This in itself accentuates
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 | 0,013 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,015 | 0,017 |
| Science ouverte | 0,004 | 0,013 |
| Intégrité de la recherche | 0,008 | 0,020 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,054 | 0,026 |
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 ».