Enhancing the Prediction of Cardiac Allograft Vasculopathy Using Intravascular Ultrasound and Machine Learning: A Proof of Concept
Notice bibliographique
Résumé
BACKGROUND: Cardiac allograft vasculopathy (CAV) is the leading cause of late graft dysfunction in heart transplantation. Building on previous unsupervised learning models, we sought to identify CAV clusters using serial maximal intimal thickness and baseline clinical risk factors to predict the development of early CAV. METHODS: This is a single-center retrospective study including adult heart transplantation recipients. A latent class mixed-effects model was used to identify patient clusters with similar trajectories of maximal intimal thickness posttransplant and pretransplant covariates associated with each cluster. RESULTS: Among 186 heart transplantation recipients, we identified 4 patient phenotypes: very low, low, moderate, and high risk. The 5-year risk (95% CI) of the International Society for Heart and Lung Transplantation–defined CAV in the high, moderate, low, and very low risk groups was 49.1% (35.2%–68.5%), 23.4% (13.3%–41.2%), 5.0% (1.3%–19.6%), and 0%, respectively. Only patients in the moderate to high risk cluster developed the International Society for Heart and Lung Transplantation CAV 2-3 at 5 years ( P =0.02). Of the 4 groups, the low risk group had significantly younger female recipients, shorter ischemic time, and younger female donors compared with the high risk group. CONCLUSIONS: We identified 4 clusters characterized by distinct maximal intimal thickness trajectories. These clusters were shown to discriminate against the development of angiographic CAV. This approach allows for the personalization of surveillance and CAV-directed treatment before the development of angiographically apparent disease.
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 | 0,000 |
| 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 ».