Machine learning analysis of bleeding status in venous thromboembolism patients
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
Background Anticoagulation therapy is the mainstay of therapy for patients with venous thromboembolism (VTE). However, continuing or stopping anticoagulants after the first 3 to 6 months is a difficult decision that requires ascertainment of the risk of bleeding and recurrent VTE. Despite the development of several statistical models to predict bleeding, the benefit of machine learning (ML) models has not been investigated in depth. Objectives To assess the benefits of ML algorithms in bleeding risk evaluation in VTE patients and gain insight into their baseline information. Methods The baseline clinical, demographic, and genotype information was collected for 2542 patients with VTE who were on extended anticoagulation therapy. Six unsupervised dimensionality reduction and clustering ML algorithms were used to visualize and cluster the data for patients with major bleeding (118 patients) and nonbleeders. Eight supervised ML algorithms were trained and compared with the previously derived clinical models using a 5-fold nested cross-validation scheme. Results The baseline dataset for bleeders and nonbleeders showed a high degree of similarity. Two novel clusters were discovered within the dataset for bleeders based on the presence of isolated pulmonary embolism or isolated deep vein thrombosis, though the difference in bleeding risks was not statistically significant ( P = .32). The supervised analysis showed that the ML and clinical models have similar discrimination (c-statistics, ∼62%) and calibration performance (Brier score, ∼0.045). Conclusion The clinical variables recorded at baseline are not distinctive enough to improve bleeding prediction beyond the performance of the existing models, and other strategies or data modalities should be considered.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| 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 découle