The Chronic Heart Failure Evolutions: Different Fates and Routes
Notice bibliographique
Résumé
Abstract Aims Individual prognostic assessment and disease evolution pathways are undefined in chronic heart failure (HF). The application of unsupervised learning methodologies could help to identify patient phenotypes and the progression in each phenotype as well as to assess adverse event risk. Methods and results From a bulk of 7948 HF patients included in the MECKI registry, we selected patients with a minimum 2-year follow-up. We implemented a topological data analysis (TDA), based on 43 variables derived from clinical, biochemical, cardiac ultrasound, and exercise evaluations, to identify several patients’ clusters. Thereafter, we used the trajectory analysis to describe the evolution of HF states, which is able to identify bifurcation points, characterized by different follow-up paths, as well as specific end-stages conditions of the disease. Finally, we conducted a 5-year survival analysis (composite of cardiovascular death, left ventricular assist device, or urgent heart transplant). Findings were validated on internal (n = 527) and external (n = 777) populations. We analyzed 4876 patients (age = 63 [53–71], male gender n = 3973 (81.5%), NYHA class I–II n = 3576 (73.3%), III–IV n = 1300 (26.7%), LVEF = 33 [25.5–39.9], atrial fibrillation n = 791 (16.2%), peak VO2% pred = 54.8 [43.8–67.2]), with a minimum 2-year follow-up. Nineteen patient clusters were identified by TDA. Trajectory analysis revealed a path characterized by 3 bifurcation and 4 end-stage points. Clusters survival rate varied from 44% to 100% at 2 years and from 20% to 100% at 5 years, respectively. The event frequency at 5-year follow-up for each study cohort cluster was successfully compared with those in the validation cohorts (R = 0.94 and R = 0.84, P < 0.001, for internal and external cohort, respectively). Finally, we conducted a 5-year survival analysis (composite of cardiovascular death, left ventricular assist device, or urgent heart transplant observed in 22% of cases). Conclusions Each HF phenotype has a specific disease progression and prognosis. These findings allow to individualize HF patient evolutions and to tailor assessment.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 | 0,001 |
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 ».