Abstract 12563: Creation of an Artificial Intelligence Model For Prediction of Major Adverse Cardiovascular Events Late After Tetralogy of Fallot Repair
Notice bibliographique
Résumé
Introduction and Hypothesis: Despite successful tetralogy of Fallot repair (rTOF) in childhood, advancing age is associated with escalating risk of morbidity and mortality. Published risk scores for prediction of major adverse cardiovascular events (MACE) typically incorporate invasive and/or specialized measures. We hypothesized that an artificial intelligence (AI) model using an array of parameters available in routine clinical practice could successfully predict MACE in rTOF. Methods: Adults with rTOF were identified using institutional databases (the prospective observational Comprehensive Outcomes Registry Late After Tetralogy of Fallot Repair [CORRELATE] and the retrospective Toronto Outcomes Registry of Congenital Heart disease [TORCH]). A random forest AI model for prediction of MACE was trained on CORRELATE using repeated random sub-sampling validation. External validation was achieved using non-overlapping retrospective data from TORCH. The MACE composite outcome included all-cause mortality, resuscitated sudden death, sustained ventricular tachycardia (>30 seconds) or heart failure (hospital admission>24 hours). Results: In total, 804 subjects were studied and MACE was observed in 73 (9%) subjects. Patients were either included in the training dataset (n=312, 59% male, median age 32 years [IQR 23-43], median follow-up 6 years [IQR 4-7]) or the testing dataset (n=492, 58% male, median age 26 years [IQR 20-37], median follow up 10 years [IQR 6-10]). Variables incorporated into the AI model are shown (Figure 1). Predictive capacity of the AI models were similar in testing (AUC 0.81, CI 0.75-0.86) and training (AUC 0.88, CI 0.71-0.99) datasets with excellent receiver operating characteristics (Figure 1). Conclusions: An AI model based on routinely used and widely available clinical and imaging variables could successfully predict MACE in rTOF. Further study is required to determine the value of AI for risk management in rTOF.
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 | 0,002 | 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».