Multi‐parametric system for risk stratification in mitral regurgitation: A multi‐task Gaussian prediction approach
Notice bibliographique
Résumé
BACKGROUND: We hypothesized that a multi-parametric approach incorporating medical comorbidity information, electrocardiographic P-wave indices, echocardiographic assessment, neutrophil-to-lymphocyte ratio (NLR) and prognostic nutritional index (PNI) calculated from laboratory data can improve risk stratification in mitral regurgitation (MR). METHODS: Patients diagnosed with mitral regurgitation between 1 March 2005 and 30 October 2018 from a single centre were retrospectively analysed. Outcomes analysed were incident atrial fibrillation (AF), transient ischemic attack (TIA)/stroke and mortality. RESULTS: This study cohort included 706 patients, of whom 171 had normal inter-atrial conduction, 257 had inter-atrial block (IAB) and 266 had AF at baseline. Logistic regression analysis showed that age, hypertension and mean P-wave duration (PWD) were significant predictors of new-onset AF. Low left ventricular ejection fraction (LVEF), abnormal P-wave terminal force in V1 (PTFV1) predicted TIA/stroke. Age, smoking, hypertension, diabetes mellitus, hypercholesterolaemia, ischemic heart disease, secondary mitral regurgitation, urea, creatinine, NLR, PNI, left atrial diameter (LAD), left ventricular end-diastolic dimension, LVEF, pulmonary arterial systolic pressure, IAB, baseline AF and heart failure predicted all-cause mortality. A multi-task Gaussian process learning model demonstrated significant improvement in risk stratification compared to logistic regression and a decision tree method. CONCLUSIONS: A multi-parametric approach incorporating multi-modality clinical data improves risk stratification in mitral regurgitation. Multi-task machine learning can significantly improve overall risk stratification performance.
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 | 0,007 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| 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 | 0,002 |
| 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 ».