Machine-learning–based exploration to identify remodeling patterns associated with death or heart-transplant in pediatric-dilated cardiomyopathy
Notice bibliographique
Résumé
AIMS: We investigated left ventricular (LV) remodeling, mechanics, systolic and diastolic function, combined with clinical characteristics and heart-failure treatment in association to death or heart-transplant (DoT) in pediatric idiopathic, genetic or familial dilated cardiomyopathy (DCM), using interpretable machine-learning. METHODS AND RESULTS: Echocardiographic and clinical data from pediatric DCM and healthy controls were retrospectively analyzed. Machine-learning included whole cardiac-cycle regional longitudinal strain, aortic, mitral and pulmonary vein Doppler velocity traces, age and body surface area. We used unsupervised multiple kernel learning for data dimensionality reduction, positioning patients based on complex conglomerate information similarity. Subsequently, k-means identified groups with similar phenotypes. The proportion experiencing DoT was evaluated. Pheno-grouping identified 5 clinically distinct groups that were associated with differing proportions of DoT. All healthy controls clustered in groups 1 to 2, while all, but one, DCM subjects, clustered in groups 3 to 5; internally validating the algorithm. Cluster-5 comprised the oldest, most medicated patients, with combined systolic and diastolic heart-failure and highest proportion of DoT. Cluster-4 included the youngest patients characterized by severe LV remodeling and systolic dysfunction, but mild diastolic dysfunction and the second-highest proportion of DoT. Cluster-3 comprised young patients with moderate remodeling and systolic dysfunction, preserved apical strain, pronounced diastolic dysfunction and lowest proportion of DoT. CONCLUSIONS: Interpretable machine-learning, using full cardiac-cycle systolic and diastolic data, mechanics and clinical parameters, can potentially identify pediatric DCM patients at high-risk for DoT, and delineate mechanisms associated with risk. This may facilitate more precise prognostication and treatment of pediatric DCM.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».