Abstract 15813: Machine Learning Improves Prediction of Heart Failure and Cardiovascular Death Through a Signal Analytical Approach of Echocardiography
Notice bibliographique
Résumé
Introduction: Recently, speckle tracking echocardiography (STE) and tissue Doppler imaging (TDI) have gained increasing traction as non-invasive tissue characterization methods within cardiology. But until now many patterns from the strain and TDI curves remain uninvestigated. Signal analytical methods like wavelet analysis have shown promising potential in effectively identifying previously unknown pathological patterns present in ECG signals. Therefore, we hypothesized that a signal analytic approach combined with supervised machine learning (ML) on strain and TDI curves could identify unknown pathophysiological deformation drivers of heart failure (HF) and cardiovascular death (CV death) in the general population. Methods: The analysis included 3781 subjects from the general population. In total 720 novel statistical parameters and wavelet signal parameters from 18 strain curves and 6 TDI curves were generated. The parameters were used to train an ensemble decision tree with 20-fold cross-validation and compared to a baseline ML model trained on 22 conventional echocardiographic parameters. Results: Follow up-time was four years. In total 108 subjects (2.9%) met the outcome. By including statistical and wavelet-derived parameters along with 22 conventional echocardiographic parameters in a combined model, the ML model was significantly improved compared to the baseline model (AUC for conventional model: 0.76 vs combined model: 0.825, p = 0.0086). Both statistical parameters, such as the mean and skewness of the TDI curve, as well as wavelet parameters, such as mean on the first decomposition level of the strain curve, were found to be important in the model. Conclusion Adding novel echocardiographic parameters based on signal analytical statistics and wavelet decomposition methods to preexisting conventional echocardiographic parameters significantly improved the prediction of incident HF or CV death in ML models.
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 | 0,004 | 0,007 |
| 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 ».