Differential progression of coronary atherosclerosis according to plaque composition: a cluster analysis of PARADIGM registry data
Notice bibliographique
Résumé
Abstract Patient-specific phenotyping of coronary atherosclerosis would facilitate personalized risk assessment and preventive treatment. We explored whether unsupervised cluster analysis can categorize patients with coronary atherosclerosis according to their plaque composition, and determined how these differing plaque composition profiles impact plaque progression. Patients with coronary atherosclerotic plaque (n = 947; median age, 62 years; 59% male) were enrolled from a prospective multi-national registry of consecutive patients who underwent serial coronary computed tomography angiography (median inter-scan duration, 3.3 years). K-means clustering applied to the percent volume of each plaque component and identified 4 clusters of patients with distinct plaque composition. Cluster 1 (n = 52), which comprised mainly fibro-fatty plaque with a significant necrotic core (median, 55.7% and 16.0% of the total plaque volume, respectively), showed the least total plaque volume (PV) progression (+ 23.3 mm3), with necrotic core and fibro-fatty PV regression (− 5.7 mm3 and − 5.6 mm3, respectively). Cluster 2 (n = 219), which contained largely fibro-fatty (39.2%) and fibrous plaque (46.8%), showed fibro-fatty PV regression (− 2.4 mm3). Cluster 3 (n = 376), which comprised mostly fibrous (62.7%) and calcified plaque (23.6%), showed increasingly prominent calcified PV progression (+ 21.4 mm3). Cluster 4 (n = 300), which comprised mostly calcified plaque (58.7%), demonstrated the greatest total PV increase (+ 50.7mm3), predominantly increasing in calcified PV (+ 35.9 mm3). Multivariable analysis showed higher risk for plaque progression in Clusters 3 and 4, and higher risk for adverse cardiac events in Clusters 2, 3, and 4 compared to that in Cluster 1. Unsupervised clustering algorithms may uniquely characterize patient phenotypes with varied atherosclerotic plaque profiles, yielding distinct patterns of progressive disease and outcome.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».