Machine learning for atrial fibrillation risk prediction in patients with sleep apnea and coronary artery disease
Notice bibliographique
Résumé
Background Patients with sleep apnea (SA) and coronary artery disease (CAD) are at higher risk of atrial fibrillation (AF) than the general population. Our objectives were: to evaluate the role of CAD and SA in determining AF risk through cluster and survival analysis, and to develop a risk model for predicting AF. Methods Electronic medical record (EMR) database from 22,302 individuals including 10,202 individuals with AF, CAD, and SA, and 12,100 individuals without these diseases were analyzed using K-means clustering technique; k-nearest neighbor (kNN) algorithm and survival analysis. Age, sex, and diseases developed for each individual during 9 years were used for cluster and survival analysis. Results The risk models for AF, CAD, and SA were identified with high accuracy and sensitivity (0.98). Cluster analysis showed that CAD and high blood pressure (HBP) are the most prevalent diseases in the AF group, HBP is the most prevalent disease in CAD; and HBP and CAD are the most prevalent diseases in the SA group. Survival analysis demonstrated that individuals with HBP, CAD, and SA had a 1.5-fold increased risk of developing AF [hazard ratio (HR): 1.49, 95% CI: 1.18–1.87, p = 0.0041; HR: 1.46, 95% CI: 1.09–1.96, p = 0.01; HR: 1.54, 95% CI: 1.22–1.94, p = 0.0039, respectively] and individuals with chronic kidney disease (CKD) developed AF approximately 50% earlier than patients without these comorbidities in a period of 7 years (HR: 3.36, 95% CI: 1.46–7.73, p = 0.0023). Comorbidities that contributed to develop AF earlier in females compared to males in the group of 50–64 years were HBP (HR: 3.75 95% CI: 1.08–13, p = 0.04) CAD and SA in the group of 60–75 years were (HR: 2.4 95% CI: 1.18–4.86, p = 0.02; HR: 2.51, 95% CI: 1.14–5.52, p = 0.02, respectively). Conclusion Machine learning based algorithms demonstrated that CAD, SA, HBP, and CKD are significant risk factors for developing AF in a Latin–American population.
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 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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».