Validating the SMART2 Score in a Racially Diverse High‐Risk Nationwide Cohort of Patients Receiving Coronary Artery Bypass Grafting
Notice bibliographique
Résumé
Background We tested the potential of the Secondary Manifestations of Arterial Disease (SMART2) risk score for use in patients undergoing coronary artery bypass grafting. Methods and Results We conducted an external validation of the SMART2 score in a racially diverse high-risk national cohort (2010-2019) that underwent isolated coronary artery bypass grafting. We calculated the preoperative SMART2 score and modeled the 5-year major adverse cardiovascular event (cardiovascular mortality+myocardial infarction+stroke) incidence. We evaluated SMART2 score discrimination at 5 years using c-statistic and calibration with observed/expected ratio and calibration plots. We analyzed the potential clinical benefit using decision curves. We repeated these analyses in clinical subgroups, diabetes, chronic kidney disease, and polyvascular disease, and separately in White and Black patients. In 27 443 (mean age, 65 years; 10% Black individuals) US veterans undergoing coronary artery bypass grafting (2010-2019) nationwide, the 5-year major adverse cardiovascular event rate was 25%; 27% patients were in high predicted risk (>30% 5-year major adverse cardiovascular events). SMART2 score discrimination (c-statistic: 64) was comparable to the original study (c-statistic: 67) and was best in patients with chronic kidney disease (c-statistic: 66). However, it underpredicted major adverse cardiovascular event rates in the whole cohort (observed/expected ratio, 1.45) as well as in all studied subgroups. The SMART2 score performed better in White than Black patients. On decision curve analysis, the SMART2 score provides a net benefit over a wide range of risk thresholds. Conclusions The SMART2 model performs well in a racially diverse coronary artery bypass grafting cohort, with better predictive capabilities at the upper range of baseline risk, and can therefore be used to guide secondary preventive pharmacotherapy.
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 | 0,013 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| 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 | 0,001 |
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 ».