Effective Prediction of Mortality by Heart Disease Among Women in Jordan Using the Chi-Squared Automatic Interaction Detection Model: Retrospective Validation Study
Notice bibliographique
Résumé
BACKGROUND: Many current studies have claimed that the actual risk of heart disease among women is equal to that in men. Using a large machine learning algorithm (MLA) data set to predict mortality in women, data mining techniques have been used to identify significant aspects of variables that help in identifying the primary causes of mortality within this target category of the population. OBJECTIVE: This study aims to predict mortality caused by heart disease among women, using an artificial intelligence technique-based MLA. METHODS: A retrospective design was used to retrieve big data from the electronic health records of 2028 women with heart disease. Data were collected for Jordanian women who were admitted to public health hospitals from 2015 to the end of 2021. We checked the extracted data for noise, consistency issues, and missing values. After categorizing, organizing, and cleaning the extracted data, the redundant data were eliminated. RESULTS: Out of 9 artificial intelligence models, the Chi-squared Automatic Interaction Detection model had the highest accuracy (93.25%) and area under the curve (0.825) among the build models. The participants were 62.6 (SD 15.4) years old on average. Angina pectoris was the most frequent diagnosis in the women's extracted files (n=1,264,000, 62.3%), followed by congestive heart failure (n=764,000, 37.7%). Age, systolic blood pressure readings with a cutoff value of >187 mm Hg, medical diagnosis (women diagnosed with congestive heart failure were at a higher risk of death [n=31, 16.58%]), pulse pressure with a cutoff value of 98 mm Hg, and oxygen saturation (measured using pulse oximetry) with a cutoff value of 93% were the main predictors for death among women. CONCLUSIONS: To predict the outcomes in this study, we used big data that were extracted from the clinical variables from the electronic health records. The Chi-squared Automatic Interaction Detection model-an MLA-confirmed the precise identification of the key predictors of cardiovascular mortality among women and can be used as a practical tool for clinical prediction.
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 | 0,009 | 0,014 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 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 ».