Unsupervised learning to characterize patients with known coronary artery disease undergoing myocardial perfusion imaging
Notice bibliographique
Résumé
PURPOSE: Patients with known coronary artery disease (CAD) comprise a heterogenous population with varied clinical and imaging characteristics. Unsupervised machine learning can identify new risk phenotypes in an unbiased fashion. We use cluster analysis to risk-stratify patients with known CAD undergoing single-photon emission computed tomography (SPECT) myocardial perfusion imaging (MPI). METHODS: From 37,298 patients in the REFINE SPECT registry, we identified 9221 patients with known coronary artery disease. Unsupervised machine learning was performed using clinical (23), acquisition (17), and image analysis (24) parameters from 4774 patients (internal cohort) and validated with 4447 patients (external cohort). Risk stratification for all-cause mortality was compared to stress total perfusion deficit (< 5%, 5-10%, ≥10%). RESULTS: Three clusters were identified, with patients in Cluster 3 having a higher body mass index, more diabetes mellitus and hypertension, and less likely to be male, have dyslipidemia, or undergo exercise stress imaging (p < 0.001 for all). In the external cohort, during median follow-up of 2.6 [0.14, 3.3] years, all-cause mortality occurred in 312 patients (7%). Cluster analysis provided better risk stratification for all-cause mortality (Cluster 3: hazard ratio (HR) 5.9, 95% confidence interval (CI) 4.0, 8.6, p < 0.001; Cluster 2: HR 3.3, 95% CI 2.5, 4.5, p < 0.001; Cluster 1, reference) compared to stress total perfusion deficit (≥10%: HR 1.9, 95% CI 1.5, 2.5 p < 0.001; < 5%: reference). CONCLUSIONS: Our unsupervised cluster analysis in patients with known CAD undergoing SPECT MPI identified three distinct phenotypic clusters and predicted all-cause mortality better than ischemia alone.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».