Multi-Modality Machine Learning Approach for Risk Stratification in Heart Failure with Left Ventricular Ejection Fraction ≤ 45%
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
AIMS: Heart failure (HF) involves complex remodelling leading to electrical and mechanical dysfunction. We hypothesized that machine learning approaches incorporating data obtained from different investigative modalities including atrial and ventricular measurements from electrocardiography and echocardiography, blood inflammatory marker [neutrophil-to-lymphocyte ratio (NLR)], and prognostic nutritional index (PNI) will improve risk stratification for adverse outcomes in HF compared to logistic regression. METHODS AND RESULTS: Consecutive Chinese patients referred to our centre for transthoracic echocardiography and subsequently diagnosed with HF, between 1 January 2010 and 31 December 2016, were included in this study. Two machine learning techniques, multilayer perceptron and multi-task learning, were compared with logistic regression for their ability to predict incident atrial fibrillation (AF), transient ischaemic attack (TIA)/stroke, and all-cause mortality. This study included 312 HF patients [mean age: 64 (55-73) years, 75% male]. There were 76 cases of new-onset AF, 62 cases of incident TIA/stroke, and 117 deaths during follow-up. Univariate analysis revealed that age, left atrial reservoir strain (LARS) and contractile strain (LACS) were significant predictors of new-onset AF. Age and smoking predicted incident stroke. Age, hypertension, type 2 diabetes mellitus, chronic kidney disease, mitral or aortic regurgitation, P-wave terminal force in V1, the presence of partial inter-atrial block, left atrial diameter, ejection fraction, global longitudinal strain, serum creatinine and albumin, high NLR, low PNI, and LARS and LACS predicted all-cause mortality. Machine learning techniques achieved better prediction performance than logistic regression. CONCLUSIONS: Multi-modality assessment is important for risk stratification in HF. A machine learning approach provides additional value for improving outcome prediction.
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.
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 | 0,000 |
| 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 | 0,001 |
| 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 découle