Incremental value of machine learning for risk prediction in tetralogy of Fallot
Notice bibliographique
Résumé
OBJECTIVE: Machine learning (ML) can facilitate prediction of major adverse cardiovascular events (MACEs) in repaired tetralogy of Fallot (rTOF). We sought to determine the incremental value of ML above expert clinical judgement for risk prediction in rTOF. METHODS: Adult congenital heart disease (ACHD) clinicians (≥10 years of experience) participated (one cardiac surgeon and four cardiologists (two paediatric and two adult cardiology trained) with expertise in heart failure (HF), electrophysiology, imaging and intervention). Clinicians identified 10 high-yield variables for 5-year MACE prediction (defined as a composite of mortality, resuscitated sudden death, sustained ventricular tachycardia and HF). Risk for MACE (low, moderate or high) was assigned by clinicians blinded to outcome for adults with rTOF identified from an institutional database (n=25 patient reviews conducted by five independent observers). A validated ML model identified 10 variables for risk prediction in the same population. RESULTS: Prediction by ML was similar to the aggregate score of all experts (area under the curve (AUC) 0.85 (95% CI 0.58 to 0.96) vs 0.92 (0.72 to 0.98), p=0.315). Experts with ≥20 years of experience had superior discriminative capacity compared with <20 years (AUC 0.98 (95% CI 0.86 to 0.99) vs 0.80 (0.56 to 0.93), p=0.027). In those with <20 years of experience, ML provided incremental value such that the combined (clinical+ML) AUC approached ≥20 years (AUC 0.85 (95% CI 0.61 to 0.95), p=0.055). CONCLUSIONS: Robust prediction of 5-year MACE in rTOF was achieved using either ML or a multidisciplinary team of ACHD experts. Risk prediction of some clinicians was enhanced by incorporation of ML suggesting that there may be incremental value for ML in select circumstances.
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 | 0,000 |
| 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 ».