Abstract 14312: Comparison of Machine Learning and Conventional Statistical Modeling for Predicting Readmissions Following Acute Heart Failure Hospitalization
Notice bibliographique
Résumé
Introduction: Developing accurate models for predicting risk of 30-day readmission has been a major healthcare interest. Evidence suggests that models developed using machine learning (ML) may have better discrimination than conventional statistical models (CSM), but the calibration of such models is unclear. Objectives: To compare models developed using CSM or ML to predict 30-day readmission for cardiovascular and non-cardiovascular causes in HF patients. Methods: We studied 10,919 patients with HF (> 18 years) discharged alive from a hospital or emergency department (2004-2007) in Ontario, Canada, linked to administrative databases for hospitalization and vital status resulting in complete follow-up. The study sample was randomly divided into training and validation sets in a 2:1 ratio. CSMs to predict 30-day readmission were developed using Fine-Gray subdistribution hazards regression (treating death as a competing risk), and the ML algorithm employed random survival forests. Models were evaluated in the validation set using both discrimination and calibration metrics. Results: In the validation sample of 3602 patients (median age 76 [IQR, 67-82] years, 46.6% females), Random Survival Forests (c-statistic = 0.620) showed similar discrimination to the Fine-Gray competing risk model (c-statistic= 0.621) for 30-day cardiovascular readmission. In contrast, for 30-day non-cardiovascular readmission, the Fine-Gray model (c-statistic= 0.641) slightly outperformed the random survival forests model (c-statistic = 0.632). For both outcomes, The Fine-Gray model displayed better calibration than random survival forests when deciles of observed vs. predicted risks were compared (Panels A-D). Conclusions: In HF patients, time-to-event analysis of outcomes using Fine-Gray models had similar discrimination but superior calibration to ML model, highlighting the importance of reporting calibration metrics for ML-based prediction 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 | 0,015 | 0,034 |
| 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) | 0,001 | 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 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 ».