Abstract 14810: ASCVD Risk Score vs Machine Learning-Based Algorithm in the Prediction of ASCVD Events in Women With Breast Cancer
Notice bibliographique
Résumé
Introduction: Cancer patients may face an elevated risk of developing atherosclerotic cardiovascular disease (ASCVD). Consequently, a conventional pooled cohort equation may not accurately predict cardiovascular (CV) outcomes in this population. Hypothesis: A cancer-specific algorithm is superior to conventional ASCVD risk scores in women with breast cancer (BC). Methods: Women ≥18 years, diagnosed with BC between 2005-2012 at a hybrid academic-community practice (Northeast Ohio, US) were included. A Machine Learning (ML) XGBoost algorithm (with survival modelling), developed using a training subset of the cohort (60% train + 20% test), ranked 40 covariates (including demographic, treatment-related and social determinants of health information) for ASCVD prediction using SHAP (SHapley Additive exPlanations) values. The top 10 ML predictors were transformed in a predictive equation using logistic regression models. This equation was tested in the cohort validation subset (20%), and subsequently compared to the ACC/AHA ASCVD risk score via time-dependent receiver operating characteristic curve. Results: BC women (n=5,687, Table 1) had a median age of 60 (interquartile range 50-71) years, 17% had advanced stage disease (TNM III-IV), 44.2% received chemotherapy, 60% endocrine therapy, 29.2% radiotherapy, and 73.3% surgery, respectively. Of those, 16.7% had a 10-year ASCVD. The ACC/AHA risk score had an area under the curve (AUC)=0.76 and underestimated ASCVD in 4.9% (mean risk=21.3% [95% CI 19.9-22.6] vs. mean predicted risk=16.4% [95% CI 15.2-17.5]). The equation pooled from the top-10 predictors of the ML algorithm (C-index=0.81 [95%CI 0.80-0.82]) achieved an AUC=0.84. Conclusion: Conventional ASCVD risk scores tend to underestimate the risk in women with BC. A cancer-specific model exhibited excellent performance and generated a user-friendly equation for predicting ASCVD risk in this population. Further external validation is needed.
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) | 0,000 | 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 ».