Artificial intelligence-enabled retinal vasculometry for prediction of circulatory mortality, myocardial infarction and stroke
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Aims We examine whether inclusion of artificial intelligence (AI)-enabled retinal vasculometry (RV) improves existing risk algorithms for incident stroke, myocardial infarction (MI) and circulatory mortality. Methods AI-enabled retinal vessel image analysis processed images from 88 052 UK Biobank (UKB) participants (aged 40–69 years at image capture) and 7411 European Prospective Investigation into Cancer (EPIC)-Norfolk participants (aged 48–92). Retinal arteriolar and venular width, tortuosity and area were extracted. Prediction models were developed in UKB using multivariable Cox proportional hazards regression for circulatory mortality, incident stroke and MI, and externally validated in EPIC-Norfolk. Model performance was assessed using optimism adjusted calibration, C-statistics and R 2 statistics. Performance of Framingham risk scores (FRS) for incident stroke and incident MI, with addition of RV to FRS, were compared with a simpler model based on RV, age, smoking status and medical history (antihypertensive/cholesterol lowering medication, diabetes, prevalent stroke/MI). Results UKB prognostic models were developed on 65 144 participants (mean age 56.8; median follow-up 7.7 years) and validated in 5862 EPIC-Norfolk participants (67.6, 9.1 years, respectively). Prediction models for circulatory mortality in men and women had optimism adjusted C-statistics and R 2 statistics between 0.75–0.77 and 0.33–0.44, respectively. For incident stroke and MI, addition of RV to FRS did not improve model performance in either cohort. However, the simpler RV model performed equally or better than FRS. Conclusion RV offers an alternative predictive biomarker to traditional risk-scores for vascular health, without the need for blood sampling or blood pressure measurement. Further work is needed to examine RV in population screening to triage individuals at high-risk.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 découle