Machine learning identifies pathophysiologically and prognostically informative phenotypes among patients with mitral regurgitation undergoing transcatheter edge-to-edge repair
Notice bibliographique
Résumé
AIMS: Patients with mitral regurgitation (MR) present with considerable heterogeneity in cardiac damage depending on underlying aetiology, disease progression, and comorbidities. This study aims to capture their cardiopulmonary complexity by employing a machine-learning (ML)-based phenotyping approach. METHODS AND RESULTS: Data were obtained from 1426 patients undergoing mitral valve transcatheter edge-to-edge repair (MV TEER) for MR. The ML model was developed using 609 patients (derivation cohort) and validated on 817 patients from two external institutions. Phenotyping was based on echocardiographic data, and ML-derived phenotypes were correlated with 5-year outcomes. Unsupervised agglomerative clustering revealed four phenotypes among the derivation cohort: Cluster 1 showed preserved left ventricular ejection fraction (LVEF; 56.5 ± 7.79%) and regular left ventricular end-systolic diameter (LVESD; 35.2 ± 7.52 mm); 5-year survival in Cluster 1, hereinafter serving as a reference, was 60.9%. Cluster 2 presented with preserved LVEF (55.7 ± 7.82%) but showed the largest mitral valve effective regurgitant orifice area (0.623 ± 0.360 cm2) and highest systolic pulmonary artery pressures (68.4 ± 16.2 mmHg); 5-year survival ranged at 43.7% (P-value: 0.032). Cluster 3 was characterized by impaired LVEF (31.0 ± 10.4%) and enlarged LVESD (53.2 ± 10.9 mm); 5-year survival was reduced to 38.3% (P-value: <0.001). The poorest 5-year survival (23.8%; P-value: <0.001) was observed in Cluster 4 with biatrial dilatation (left atrial volume: 312 ± 113 mL; right atrial area: 46.0 ± 8.83 cm2) although LVEF was only slightly reduced (51.5 ± 11.0%). Importantly, the prognostic significance of ML-derived phenotypes was externally confirmed. CONCLUSION: ML-enabled phenotyping captures the complexity of extra-mitral valve cardiac damage, which does not necessarily occur in a sequential fashion. This novel phenotyping approach can refine risk stratification in patients undergoing MV TEER in the future.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,002 |
| 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 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 ».