Thoracic Aortic Aneurysm Risk Assessment
Notice bibliographique
Résumé
Traditional methods of risk assessment for thoracic aortic aneurysm (TAA) based on aneurysm size alone have been called into question as being unreliable in predicting complications. Biomechanical function of aortic tissue may be a better predictor of risk, but it is difficult to determine in vivo. This study investigates using a machine learning (ML) model as a correlative measure of energy loss, a measure of TAA biomechanical function. Biaxial tensile testing was performed on resected TAA tissue collected from patients undergoing surgery. The energy loss of the tissue was calculated and used as the representative output. Input parameters were collected from clinical assessments including observations from medical scans and genetic paneling. Four ML algorithms including Gaussian process regression were trained in Matlab. A total of 158 patients were considered (mean age 62 years, range 22-89 years, 78% male), including 11 healthy controls. The mean ascending aortic diameter was 47 ± 10 mm, with 46% having a bicuspid aortic valve. The best-performing model was found to give a greater correlative measure to energy loss (R2 = 0.63) than the surprisingly poor performance of aortic diameter (R2 = 0.26) and indexed aortic size (R2 = 0.32). An echocardiogram-derived stiffness metric was investigated on a smaller subcohort of 67 patients as an additional input, improving the correlative performance from R2 = 0.46 to R2 = 0.62. A preliminary set of models demonstrated the ability of a ML algorithm to improve prediction of the mechanical function of TAA tissue. This model can use clinical data to provide additional information for risk stratification.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».