Identification and Evaluation of Blood-Based Biomarkers for Abdominal Aortic Aneurysm
Notice bibliographique
Résumé
INTRODUCTION: Blood-based biomarkers for abdominal aortic aneurysm (AAA) have been studied individually; however, we considered a panel of proteins to investigate AAA prognosis and its potential to improve predictive accuracy. MATERIALS AND METHODS: = 452), we conducted a prognostic study to develop a model that accurately predicts AAA outcomes using clinical features and circulating biomarker levels. Serum concentrations of 9 biomarkers were measured at baseline, and the cohort was followed for 2 years. The primary outcome was major adverse aortic event (MAAE; composite of rapid AAA expansion [>0.5 cm/6 months or >1 cm/12 months], AAA intervention, or AAA rupture). Using 10-fold cross-validation, we trained a random forest model to predict 2 year MAAE using (1) clinical characteristics, (2) biomarkers, and (3) clinical characteristics and biomarkers. RESULTS: Two-year MAAE occurred in 114 (25%) patients. Two proteins were significantly elevated in patients with AAA compared with those without AAA (angiopoietin-2 and aggrecan), composing the protein panel. For predicting 2 year MAAE, our random forest model achieved area under the receiver operating characteristic curve (AUROC) 0.74 using clinical features alone, and the addition of the 2-protein panel improved performance to AUROC 0.86. CONCLUSIONS: Using a combination of clinical/biomarker data, we developed a model that accurately predicts 2 year MAAE.
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 | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».