Machine learning to predict outcomes of fetal cardiac disease: a pilot study
Notice bibliographique
Résumé
Abstract BACKGROUND: Prediction of outcomes following a prenatal diagnosis of congenital heart disease is challenging. Machine learning (ML) algorithms may be used to reduce clinical uncertainty and improve prognostic accuracy. METHODS: We performed a pilot study to train ML algorithms to predict postnatal outcomes based on clinical data. Specific objectives were to predict 1) in-utero or neonatal death, 2) high-acuity neonatal care and 3) favourable outcomes. We included all fetuses with cardiac disease at Sunnybrook Health Sciences Centre, Toronto, Canada, from 2012 – 2021. Prediction models were created using the XgBoost algorithm (tree-based) with 5-fold cross validation. RESULTS: Among 211 cases of fetal cardiac disease, 61 were excluded (39 terminations, 21 lost to follow-up, 1 isolated arrhythmia), leaving a cohort of 150 fetuses. Fifteen (10%) demised (10 neonates) and 70 (52%) of live births required high acuity neonatal care. Of those with clinical follow-up, 57/82 (70%) had a favourable outcome. Prediction models for live birth, high acuity neonatal care and favourable outcome had AUCs of 0.75, 0.82 and 0.72, respectively. The most important predictors for death were the presence of non-cardiac or genetic abnormalities and more severe structural heart disease. High acuity of postnatal care was predicted by increased nuchal thickness, lower gestational age (GA) and birthweight and favourable outcome was predicted by normal fetal right ventricular function, no tricuspid valve abnormalities, and normal GA/weight at birth. CONCLUSION Prediction models using ML provide good discrimination of key prenatal and postnatal outcomes among fetuses with congenital heart 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 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 | 0,008 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 ».