Development and Validation of a Machine Learning-Based Approach to Identify High-Risk Diabetic Cardiomyopathy Phenotype
Notice bibliographique
Résumé
AIMS: Abnormalities in specific echocardiographic parameters and cardiac biomarkers have been reported among individuals with diabetes. However, a comprehensive characterization of diabetic cardiomyopathy (DbCM), a subclinical stage of myocardial abnormalities that precede the development of clinical heart failure (HF), is lacking. In this study, we developed and validated a machine learning-based clustering approach to identify the high-risk DbCM phenotype based on echocardiographic and cardiac biomarker parameters. METHODS AND RESULTS: Among individuals with diabetes from the Atherosclerosis Risk in Communities (ARIC) cohort who were free of cardiovascular disease and other potential aetiologies of cardiomyopathy (training, n = 1199), unsupervised hierarchical clustering was performed using echocardiographic parameters and cardiac biomarkers of neurohormonal stress and chronic myocardial injury (total 25 variables). The high-risk DbCM phenotype was identified based on the incidence of HF on follow-up. A deep neural network (DeepNN) classifier was developed to predict DbCM in the ARIC training cohort and validated in an external community-based cohort (Cardiovascular Health Study [CHS]; n = 802) and an electronic health record (EHR) cohort (n = 5071). Clustering identified three phenogroups in the derivation cohort. Phenogroup-3 (n = 324, 27% of the cohort) had significantly higher 5-year HF incidence than other phenogroups (12.1% vs. 4.6% [phenogroup 2] vs. 3.1% [phenogroup 1]) and was identified as the high-risk DbCM phenotype. The key echocardiographic predictors of high-risk DbCM phenotype were higher NT-proBNP levels, increased left ventricular mass and left atrial size, and worse diastolic function. In the CHS and University of Texas (UT) Southwestern EHR validation cohorts, the DeepNN classifier identified 16% and 29% of participants with DbCM, respectively. Participants with (vs. without) high-risk DbCM phenotype in the external validation cohorts had a significantly higher incidence of HF (hazard ratio [95% confidence interval] 1.61 [1.18-2.19] in CHS and 1.34 [1.08-1.65] in the UT Southwestern EHR cohort). CONCLUSION: Machine learning-based techniques may identify 16% to 29% of individuals with diabetes as having a high-risk DbCM phenotype who may benefit from more aggressive implementation of HF preventive strategies.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 ».