Abstract 13861: Risk Prediction in Adults Late After Tetralogy of Fallot Repair: Does Machine Learning Provide Incremental Value Above Expert Clinical Judgement?
Notice bibliographique
Résumé
Introduction and Aim: Machine learning (ML) can be used to predict major adverse cardiovascular events (MACE) in adults with repaired tetralogy of Fallot (rTOF). We sought to determine the incremental value of ML above expert clinical judgement for rTOF risk prediction. Methods: Adult congenital heart disease (ACHD) experts (≥10 years of clinical experience) participated (1 congenital heart surgeon and 4 cardiologists [2 with pediatric and 2 with adult cardiology training] with expertise in heart failure [HF], electrophysiology, imaging and intervention). Clinicians were individually asked to identify 10 high-yield clinical variables for 5-year MACE prediction (composite of mortality, resuscitated sudden death, sustained ventricular tachycardia and/or HF). Clinicians were blinded to outcomes and were asked to assign 5-year MACE risk (low, moderate, high) using 10 pre-specified variables for 25 adults with rTOF identified from an institutional database (prevalence of 5-year MACE 12%). A validated ML model was also used to predict outcomes in the same rTOF population using 10 variables. Results: Variables selected for risk prediction are shown (Figure A). As compared with the individual expert, the aggregate of 5 experts resulted in enhanced predictive capacity (Figure B). Predictive capacity of the ML model was similar to the aggregate of experts (Figures C,D). Experts with ≥20 years experience had better discriminative capacity for MACE prediction compared with <20 years (AUC 0.98 [95%CI 0.86-0.99] versus 0.80 [95%CI 0.56-0.93], p=0.03). In those with <20 years experience, ML provided incremental value such that the combined AUC approached ≥20 years (AUC 0.85 [95%CI 0.61-0.95], p=0.06). Conclusions: Prediction of 5-year MACE in rTOF using ML was similar to a multi-disciplinary team of ACHD experts. Risk prediction of less experienced clinicians was enhanced by incorporation of ML suggesting that there may be incremental value in select clinical settings.
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 | 0,010 | 0,050 |
| 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 | 0,001 | 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 ».