Clustering analysis based on automated electrocardiographic measurements to identify prognostically distinct phenotypes in patients hospitalized for heart failure: a retrospective cohort study
Notice bibliographique
Résumé
Abstract Funding Acknowledgements Type of funding sources: None. Background Heart failure (HF) is a heterogeneous disease with complex structural and electrophysiological derangements of the heart. Attempts to classify HF from the electrophysiological perspective are lacking. Purpose To use electrocardiographic (ECG) data for phenotypic classification of patients with HF. Methods In this retrospective cohort study, all adult patients hospitalized for HF during 2010-2016 at a tertiary center were included. Automated measurements of the first ECG obtained during the index admission were recorded. K-means clustering using premorbid conditions and selected ECG measurements were used to classify the cohort into four mutually exclusive clusters. The primary (all-cause and cardiovascular mortality) and secondary (ventricular arrhythmia (VA)) outcomes were compared between clusters using Cox regression analysis. Results In total, 2849 patients (1363 males, age 75.1 ± 13.4 years) were included. Over a mean follow-up period of 5.37 ± 4.10 years, all-cause and cardiovascular mortality occurred in 2071 (72.7%) and 600 (21.1%) patients respectively, while VA occurred in 110 patients (3.9%). Cluster 1 was characterised by a low heart rate and low ventricular activation time (VAT). Cluster 2 was characterised by old age, low absolute QRS area, and high QTc and QT dispersion. Cluster 3 was characterised by young age, and left ventricular hypertrophy (LVH), and few had history of VA. Cluster 4 was characterised by wide QRS, hypertension, ischaemic heart disease, high VAT, and high absolute T wave area. Cluster 4 had the highest and cluster 1 the lowest risks of all-cause (hazard ratio (HR) 2.96 [1.09, 1.50], p = 0.003; Figure A) and cardiovascular mortality (HR 2.90 [1.15, 2.11], p = 0.004; Figure B). Meanwhile, cluster 2 had the highest risk of VA (HR 2.23 [1.09, 3.85], p = 0.025; Figure C) while clusters 1 and 3 similarly had the lowest risks. Conclusion HF presents with clinically and electrophysiologically distinct phenotypes. Clustering analysis is useful in identifying HF phenotypes which are prognostically significant. Abstract Figures A, B, and C
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 | 0,001 | 0,004 |
| 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 | 0,001 | 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) | 0,001 | 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 ».