Machine Learning as a New Frontier in Mitral Valve Surgical Strategy
Notice bibliographique
Résumé
One of the surgical options available for ischemic mitral regurgitation is mitral valve repair but is limited by recurrent regurgitation as it is experienced by a significant percent of patients and has a negative impact on patient outcomes. Efforts to model and identify predictors of recurrent MR rely on complicated echocardiographic and clinical measurements that are subjective and not routinely collected. Kachroo et. al. approached this problem in a unique way by using the STS database and Machine Learning to develop models that predict recurrent MR or death at one year. The STS database contains many routinely collected demographic and clinical parameters but requires a methodology, such as Machine Learning, that will accommodate collinearity and the unknown significance of many predictors. Kachroo et. al. developed three good Machine Learning models with AUC 0.72-0.75. Data- driven selection of important predictors showed that three revascularization targets, peripheral vascular disease and use of beta blockers are most predictive of recurrent mitral regurgitation. We applaud the authors in pioneering a novel methodology and paving the way for a bright future in Machine Learning which includes integrating medical imaging, waveform, and genomic data to practice personalized medicine for our patients.
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 | 0,009 | 0,020 |
| 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 | 0,004 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».