Personalized diagnosis in suspected myocardial infarction
Notice bibliographique
Résumé
BACKGROUND: In suspected myocardial infarction (MI), guidelines recommend using high-sensitivity cardiac troponin (hs-cTn)-based approaches. These require fixed assay-specific thresholds and timepoints, without directly integrating clinical information. Using machine-learning techniques including hs-cTn and clinical routine variables, we aimed to build a digital tool to directly estimate the individual probability of MI, allowing for numerous hs-cTn assays. METHODS: In 2,575 patients presenting to the emergency department with suspected MI, two ensembles of machine-learning models using single or serial concentrations of six different hs-cTn assays were derived to estimate the individual MI probability (ARTEMIS model). Discriminative performance of the models was assessed using area under the receiver operating characteristic curve (AUC) and logLoss. Model performance was validated in an external cohort with 1688 patients and tested for global generalizability in 13 international cohorts with 23,411 patients. RESULTS: Eleven routinely available variables including age, sex, cardiovascular risk factors, electrocardiography, and hs-cTn were included in the ARTEMIS models. In the validation and generalization cohorts, excellent discriminative performance was confirmed, superior to hs-cTn only. For the serial hs-cTn measurement model, AUC ranged from 0.92 to 0.98. Good calibration was observed. Using a single hs-cTn measurement, the ARTEMIS model allowed direct rule-out of MI with very high and similar safety but up to tripled efficiency compared to the guideline-recommended strategy. CONCLUSION: We developed and validated diagnostic models to accurately estimate the individual probability of MI, which allow for variable hs-cTn use and flexible timing of resampling. Their digital application may provide rapid, safe and efficient personalized patient care. TRIAL REGISTRATION NUMBERS: Data of following cohorts were used for this project: BACC ( www. CLINICALTRIALS: gov ; NCT02355457), stenoCardia ( www. CLINICALTRIALS: gov ; NCT03227159), ADAPT-BSN ( www.australianclinicaltrials.gov.au ; ACTRN12611001069943), IMPACT ( www.australianclinicaltrials.gov.au , ACTRN12611000206921), ADAPT-RCT ( www.anzctr.org.au ; ANZCTR12610000766011), EDACS-RCT ( www.anzctr.org.au ; ANZCTR12613000745741); DROP-ACS ( https://www.umin.ac.jp , UMIN000030668); High-STEACS ( www. CLINICALTRIALS: gov ; NCT01852123), LUND ( www. CLINICALTRIALS: gov ; NCT05484544), RAPID-CPU ( www. CLINICALTRIALS: gov ; NCT03111862), ROMI ( www. CLINICALTRIALS: gov ; NCT01994577), SAMIE ( https://anzctr.org.au ; ACTRN12621000053820), SEIGE and SAFETY ( www. CLINICALTRIALS: gov ; NCT04772157), STOP-CP ( www. CLINICALTRIALS: gov ; NCT02984436), UTROPIA ( www. CLINICALTRIALS: gov ; NCT02060760).
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 | 0,018 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 ».