Cardiac Function Predicts Oxygen Uptake During Exercise In Adolescent Athletes: A Machine Learning Model Study
Notice bibliographique
Résumé
PURPOSE: The relationship between cardiac function parameters and oxygen uptake (VO2) during exercise is not well understood beyond the contribution of stroke volume and heart rate (HR). Novel echocardiographic parameters of left (LV) and right ventricular (RV) function could aid in predicting cardiorespiratory performance in youth athletes. We aim to identify the cardiac function parameters best associated with concomitantly measured VO2 (ratio scaled to mass) during exercise testing in adolescent athletes. METHODS: Male adolescent football players (n = 97) underwent cardiopulmonary exercise testing and concomitant stress echocardiography on a recumbent cycle ergometer. Echocardiographic parameters of systolic and diastolic function, concomitant heart rate (HR) and VO2 were measured from rest to 150 W at 50 W increments. A supervised machine learning model (random forest) was trained with baseline characteristics, HR and each cardiac parameter sequentially to predict VO2, and then compared to a linear regression model. RESULTS: The best predictors of concomitant VO2 after adjusting for age, height, weight, gas exchange threshold and HR were LV circumferential strain, RV peak diastolic velocity, RV and LV longitudinal strain, RV peak systolic velocity and LV peak diastolic velocity (Figure 1A). Compared to a linear model, the random forest model including all cardiac parameters achieved better prediction accuracy, with an R2 = 0.86 vs 0.83, and also when considering individual cardiac parameters (Figure 1B). CONCLUSIONS: Cardiac function parameters improve VO2 prediction in addition to HR. In athletes LV circumferential function, and importantly, RV systolic and diastolic function contribute most to stroke volume increase. Machine learning approaches in evaluating and modelling exercise derived data was superior to conventional linear regression, we propose, by better addressing the non-linear relation of cardiac function parameters to HR and VO2Supported by: Canon Medical Systems and UKRI MRC #MR/N0137941/1
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 | 0,002 | 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 | 0,000 |
| 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 ».