Machine learning for prediction of transcatheter mitral valve repair outcomes: A systematic review
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
Transcatheter mitral valve repair (TMVR) has evolved as a minimally invasive alternative to traditional mitral valve surgery. Meanwhile, machine learning (ML) offers a promising tool for TMVR risk stratification due to the lack of established risk scores specifically tailored for TMVR patients. To address the absence of consensus on its efficacy, we conducted a systematic review of primary studies that have utilized ML to predict the success of TMVR. Embase, MEDLINE, Scopus, Web of Science, PubMed, Google Scholar, and the Cochrane Library were systematically searched from inception through April 2024. We included primary studies that used TMVR as the sole interventional technique for adult MR patients. These studies also had to employ at least one ML model to predict the success of TMVR. 244 publications were screened, with seven eventually included in this review. Two studies employed clustering techniques, two utilized extreme gradient boosting, and three used multiple ML algorithms to predict TMVR outcomes. Of the four studies that compared the accuracy of ML with traditional regression models, all four demonstrated higher accuracy with ML, and this difference was statistically significant in three of the four studies. To our knowledge, we conducted the first systematic review of ML methods for prediction of TMVR success in MR treatment. ML outperformed established risk scores, demonstrating promising potential in interventional cardiology. Future ML models, trained on larger patient datasets, may further improve predictive accuracy, and enhance risk stratification in this population. • TMVR provides a minimally invasive alternative to mitral valve surgery. • Machine learning demonstrates clinical value in TMVR risk stratification. • Machine learning models outperformed established regression scores. • Future development may further improve predictive accuracy.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,021 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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