Machine Learning Risk Prediction for Incident Heart Failure in Patients With Atrial Fibrillation
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
Atrial fibrillation (AF) increases the risk of heart failure (HF); however, little focus is placed on the risk stratification for, and prevention of, incident HF in patients with AF. This study aimed to construct and validate a machine learning (ML) prediction model for HF hospitalization in patients with AF. The Fushimi AF Registry is a community-based prospective survey of patients with AF in Fushimi-ku, Kyoto, Japan. We divided the data set of the registry into derivation (n = 2,383) and validation (n = 2,011) cohorts. An ML model was built to predict the incidence of HF hospitalization using the derivation cohort, and predictive ability was examined using the validation cohort. HF hospitalization occurred in 606 patients (14%) during a median follow-up period of 4.4 years in the entire registry. Data of transthoracic echocardiography and biomarkers were frequently nominated as important predictive variables across all 6 ML models. The ML model based on a random forest algorithm using 7 variables (age, history of HF, creatinine clearance, cardiothoracic ratio on x-ray, left ventricular [LV] ejection fraction, LV end-systolic diameter, and LV asynergy) had high prediction performance (area under the receiver operating characteristics curve [AUC]: 0.75) and was significantly superior to the Framingham HF risk model (AUC: 0.67; P < 0.001). Based on Kaplan-Meier curves, the ML model could stratify the risk of HF hospitalization during the follow-up period (log-rank; P < 0.001). The ML model revealed important predictors and helped us to stratify the risk of HF, providing opportunities for the prevention of HF in patients with AF.
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 | 0,001 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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