Blood Biomarkers Predict Cardiac Workload Using Machine Learning
Notice bibliographique
Résumé
Introduction. Rate pressure product (the product of heart rate and systolic blood pressure) is a measure of cardiac workload. Resting rate pressure product (rRPP) varies from one individual to the next, but its biochemical/cellular phenotype remains unknown. This study determined the degree to which an individual’s biochemical/cellular profile as characterized by a standard blood panel is predictive of rRPP, as well the importance of each blood biomarker in this prediction. Methods. We included data from 55,730 participants in this study with complete rRPP measurements and concurrently collected blood panel information from the Health Management Centre at the Affiliated Hospital of Hangzhou Normal University. We used the XGBoost machine learning algorithm to train a tree‐based model and then assessed its accuracy on an independent portion of the dataset and then compared its performance against a standard linear regression technique. We further determined the predictive importance of each feature in the blood panel. Results. We found a fair positive correlation (Pearson r) of 0.377 (95% CI: 0.375‐0.378) between observed rRPP and rRPP predicted from blood biomarkers. By comparison, the performance for standard linear regression was 0.352 (95% CI: 0.351‐0.354). The top three predictors in this model were glucose concentration, total protein concentration, and neutrophil count. Discussion/Conclusion. Blood biomarkers predict resting RPP when modeled in combination with one another; such models are valuable for studying the complex interrelations between resting cardiac workload and one’s biochemical/cellular phenotype.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».