1-Year Mortality Prediction through Artificial Intelligence Using Hemodynamic Trace Analysis among Patients with ST Elevation Myocardial Infarction
Notice bibliographique
Résumé
Background and Objectives: Patients presenting with ST Elevation Myocardial Infarction (STEMI) due to occlusive coronary arteries remain at a higher risk of excess morbidity and mortality despite being treated with primary percutaneous coronary intervention (PPCI). Identifying high-risk patients is prudent so that close monitoring and timely interventions can improve outcomes. Materials and Methods: A cohort of 605 STEMI patients [64.2 ± 13.2 years, 432 (71.41%) males] treated with PPCI were recruited. Their arterial pressure (AP) wave recorded throughout the PPCI procedure was analyzed to extract features to predict 1-year mortality. After denoising and extracting features, we developed two distinct feature selection strategies. The first strategy uses linear discriminant analysis (LDA), and the second employs principal component analysis (PCA), with each method selecting the top five features. Then, three machine learning algorithms were employed: LDA, K-nearest neighbor (KNN), and support vector machine (SVM). Results: The performance of these algorithms, measured by the area under the curve (AUC), ranged from 0.73 to 0.77, with accuracy, specificity, and sensitivity ranging between 68% and 73%. Moreover, we extended the analysis by incorporating demographics, risk factors, and catheterization information. This significantly improved the overall accuracy and specificity to more than 76% while maintaining the same level of sensitivity. This resulted in an AUC greater than 0.80 for most models. Conclusions: Machine learning algorithms analyzing hemodynamic traces in STEMI patients identify high-risk patients at risk of mortality.
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 | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».