Abstract 10386: Supervised Machine Learning for Relating Echocardiographic Parameters to Invasive Pressure Measurements in Pediatric Diastolic Function Assessment
Notice bibliographique
Résumé
Introduction: Diagnosing diastolic dysfunction (DD) non-invasively in children is challenging as no validated pediatric diagnostic algorithm is available. The aim of this study is to use machine learning (ML) to identify a model that integrates echocardiographic measurements to predict invasive hemodynamic markers of DD in children. Methods: We enrolled children with Kawasaki disease, heart transplant, aortic stenosis, and coarctation of the aorta undergoing left heart catheterization. We obtained simultaneous invasive and echo DD measurements. We applied random forest (RF) algorithms to develop separate models for each cath marker (time constant of isovolumic relaxation (Tau), LVEDP, and -dP/dt max) and used demographics, diagnosis, and echo features as inputs. Model approximation was done using a regression tree with the top ranked features of each RF model to improve model interpretability (Figure 1). Spearman correlations were also assessed. Results: 59 children were included. Spearman correlations were low. However, the RF models' adjusted R 2 values in predicting Tau, LVEDP, and -dP/dt max are 0.62, 0.51, and 0.83, respectively. A representative ML-generated tree for LVEDP is shown in Figure 2. The most important features were propagation velocity (Vp) for Tau; E/Vp ratio for LVEDP; and systolic global longitudinal strain rate for -dP/dt max. Model approximation showed that a Vp < 42 cm/s predicted a Tau > 39 ms, and an E/Vp > 2.4 predicted an LVEDP > 13 mmHg. Conclusions: Predicting invasively measured diastolic parameters with echo data may be improved using ML algorithms. Model approximation may help better interpret the complex interactions in ML models.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».