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 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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».