Abstract 11595: Applying Machine Learning on Myocardial Deformation Parameters for Identifying Subjects in High Risk of Heart Failure: The Copenhagen City Heart Study
Notice bibliographique
Résumé
Background Recently, speckle tracking echocardiography (STE) and tissue doppler imaging (TDI) has gained increasing traction as a non-invasive tissue characterisation method within cardiology. But until now many patterns from the strain and TDI curves remain uninvestigated. In this work we applied supervised machine learning (ML) to identify unknown pathophysiological drivers of heart failure (HF) in the general population. Methods A total of 2383 subjects from the general population (Mean age 55.9 years ± 17.3, male 42%) underwent STE, TDI, and clinical examination. We applied an ensemble decision tree and a logistic regression model to investigate unknown speckle tracking parameters and to predict the endpoint: Occurrence of HF within five years. The ML models were evaluated with 20-fold cross-validation to provide a clear split between training and validation data. Results The median follow up-time was 5.41 years (ICR 4.49 - 6.28). 88 subjects (3.7%) developed HF within 5 years.We identified 4 new echocardiographic characteristics that improved the prediction of HF: 1. Peak systolic strain rate (SRs), 2. Strain at AVC, 3. Accumulated systolic strain/HR, 4. TDI Peak LV Diastolic Acceleration(Figure 1 and Figure 2). The model combining both novel strain- and TDI parameters as well as conventional echo parameters and clinical features performed significantly better than a model based on clinical features alone (AUC echocardiographic and clinical parameters vs. clinical parameters = 0.88/0.84, p = 0.04). An ensemble decision tree model predicted the outcome reasonably well with a precision of 24% at a sensitivity of 50%. Conclusion Adding novel echocardiographic parameters to a clinical ML model for prediction of HF improved the prognostic performance significantly. We identified 4 new parameters relevant for prediction of HF and found that peak systolic strain rate (SRs) was the most important predictor.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».