Joint Modeling of Social Determinants and Clinical Factors to Define Subphenotypes in Out-of-Hospital Cardiac Arrest Survival: Cluster Analysis
Notice bibliographique
Résumé
Background: Machine learning clustering offers an unbiased approach to better understand the interactions of complex social and clinical variables via integrative subphenotypes, an approach not studied in out-of-hospital cardiac arrest (OHCA). Objective: We conducted a cluster analysis for a cohort of OHCA survivors to examine the association of clinical and social factors for mortality at 1 year. Methods: We used a retrospective observational OHCA cohort identified from Medicare claims data, including area-level social determinants of health (SDOH) features and hospital-level data sets. We applied k-means clustering algorithms to identify subphenotypes of beneficiaries who had survived an OHCA and examined associations of outcomes by subphenotype. Results: We identified 27,028 unique beneficiaries who survived to discharge after OHCA. We derived 4 distinct subphenotypes. Subphenotype 1 included a distribution of more urban, female, and Black beneficiaries with the least robust area-level SDOH measures and the highest 1-year mortality (2375/4417, 53.8%). Subphenotype 2 was characterized by a greater distribution of male, White beneficiaries and had the strongest zip code-level SDOH measures, with 1-year mortality at 49.9% (4577/9165). Subphenotype 3 had the highest rates of cardiac catheterization at 34.7% (1342/3866) and the greatest distribution with a driving distance to the index OHCA hospital from their primary residence >16.1 km at 85.4% (8179/9580); more were also discharged to a skilled nursing facility after index hospitalization. Subphenotype 4 had moderate median household income at US $51,659.50 (IQR US $41,295 to $67,081) and moderate to high median unemployment at 5.5% (IQR 4.2%-7.1%), with the lowest 1-year mortality (1207/3866, 31.2%). Joint modeling of these features demonstrated an increased hazard of death for subphenotypes 1 to 3 but not for subphenotype 4 when compared to reference. Conclusions: We identified 4 distinct subphenotypes with differences in outcomes by clinical and area-level SDOH features for OHCA. Further work is needed to determine if individual or other SDOH domains are specifically tied to long-term survival after OHCA.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
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 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 ».