Predicting heart failure outcomes by integrating breath-by-breath measurements from cardiopulmonary exercise testing and clinical data through a deep learning survival neural network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Aims: Mathematical models previously developed to predict outcomes in patients with heart failure (HF) generally have limited performance and have yet to integrate complex data derived from cardiopulmonary exercise testing (CPET), including breath-by-breath data. We aimed to develop and validate a time-to-event prediction model using a deep learning framework using the DeepSurv algorithm to predict outcomes of HF. Methods and results: Inception cohort of 2490 adult patients with high-risk cardiac conditions or HF underwent CPET with breath-by-breath measurements. Potential predictive features included known clinical indicators, standard summary statistics from CPETs, and mathematical features extracted from the breath-by-breath time series of 13 measurements. The primary outcome was a composite of death, heart transplant, or mechanical circulatory support treated as a time-to-event outcomes. Predictive features ranked as most important included many of the features engineered from the breath-by-breath data in addition to traditional clinical risk factors. The prediction model showed excellent performance in predicting the composite outcome with an area under the curve of 0.93 in the training and 0.87 in the validation data sets. Both the predicted vs. actual freedom from the composite outcome and the calibration of the prediction model were excellent. Model performance remained stable in multiple subgroups of patients. Conclusion: Using a combined deep learning and survival algorithm, integrating breath-by-breath data from CPETs resulted in improved predictive accuracy for long-term (up to 10 years) outcomes in HF. DeepSurv opens the door for future prediction models that are both highly performing and can more fully use the large and complex quantity of data generated during the care of patients with HF.
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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle