Predicting Major Adverse Carotid Cerebrovascular Events in Patients with Carotid Stenosis: Integrating a Panel of Plasma Protein Biomarkers and Clinical Features—A Pilot Study
Notice bibliographique
Résumé
Background: Carotid stenosis (CS) is an atherosclerotic disease of the carotid artery that can lead to devastating cardiovascular outcomes such as stroke, disability, and death. The currently available treatment for CS is medical management through risk reduction, including control of hypertension, diabetes, and/or hypercholesterolemia. Surgical interventions are currently suggested for patients with symptomatic disease with stenosis >50%, where patients have suffered from a carotid-related event such as a cerebrovascular accident, or asymptomatic disease with stenosis >60% if the long-term risk of death is <3%. There is a lack of current plasma protein biomarkers available to predict patients at risk of such adverse events. Methods: In this study, we investigated several growth factors and biomarkers of inflammation as potential biomarkers for adverse CS events such as stroke, need for surgical intervention, myocardial infarction, and cardiovascular-related death. In this pilot study, we use a support vector machine (SVM), random forest models, and the following four significantly elevated biomarkers: C-X-C Motif Chemokine Ligand 6 (CXCL6); Interleukin-2 (IL-2); Galectin-9; and angiopoietin-like protein (ANGPTL4). Results: Our SVM model best predicted carotid cerebrovascular events with an area under the curve (AUC) of >0.8 and an accuracy of 0.88, demonstrating strong prognostic capability. Conclusions: Our SVM model may be used for risk stratification of patients with CS to determine those who may benefit from surgical intervention.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 | 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 ».