XGBoost machine learning algorithm for differential diagnosis of pediatric syncope
Notice bibliographique
Résumé
Abstract. The search for new methods of differential diagnosis of syncope types will allow to improve the diagnosis of vasovagal syncope (VVS), syncope due to orthostatic hypotension (OH) and cardiac syncope (CS) in childhood in order to make timely adequate diagnostic and therapeutic decisions. The aim of the study was to develop an effective machine learning model for the differential diagnosis of VVS, syncope due to OH and CS in children. Materials and Methods. 140 patients with syncope, aged 8-17 years, were examined: 92 children with a diagnosis of VVS, 28 children with syncope due to OH and 20 children with CS. A machine learning model was built using XGBoost algorithm for multiclass classification based on input clinical, laboratory and instrumental patient data. Results. The developed machine learning model based on the XGBoost algorithm is effective in the differential diagnosis of VVS, syncope due to OH and CS, which is confirmed by the metrics of accuracy (0.93), precision (0.93 for VVS; 1.00 for syncope due to OH; 0.80 for CS), recall (0.96 for VVS; 1.00 for syncope due to OH; 0.67 for CS), f1 (0.95 for VVS; 1.00 for syncope due to OH; 0.73 for CS), ROC AUC (0.95 for VVS; 1.00 for syncope due to OH; 0.89 for CS), PR AUC (0.96 for VVS; 1.00 for syncope due to OH; 0.79 for CS),Cohen’s Kappa (0.85), and Matthews correlation coefficient (0.85). The most informative parameters of the syncope types differential diagnosis model are OH, paroxysmal supraventricular tachycardia, Hildebrandt coefficient, Calgary Syncope Seizure Score, vitamin B6, average duration of the P-Q interval during 24 hours, duration of tachycardia during 24 hours, stroke index, homocysteine, heart volume, and systolic blood volume. Conclusions. The proposed machine learning model has sufficient efficiency and can be used by pediatricians and pediatric cardiologists for the differential diagnosis of VS, syncope due to OH, and CS in childhood.
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 | 0,002 | 0,002 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».