Abstract 4117438: Machine Learning Predicts Successful Transcatheter Mitral Valve Edge to Edge Repair: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Introduction: Transcatheter Mitral Valve Edge to Edge Repair (TEER) is an established percutaneous treatment for patients with severe symptomatic Mitral Regurgitation (MR). The current AHA/ACC guidelines recommend TEER for inoperable patients with severe primary MR or patients with symptomatic severe secondary MR despite medical therapy. Machine learning (ML) has emerged as a tool for TEER risk stratification due to the paucity of established risk scores. To address the lack of consensus on its efficacy, we conducted a systematic review and meta-analysis of studies that utilized ML to predict the success of TEER. Methods: Electronic databases, including Embase, MEDLINE, and the Cochrane Library, were searched from inception through April 2024. We included studies that used TEER and employed at least one ML model to predict the success of TEER. The Area Under the Receiver Operating Characteristic Curve (AUC) was used to measure the accuracy of ML risk stratification algorithms. Results: 102 publications were screened, with seven eventually included in this analysis. Two studies employed clustering techniques, two utilized extreme gradient boosting, and three used multiple ML algorithms to predict outcomes. Of the four studies that compared the accuracy of ML with traditional Cox regression, all four demonstrated higher accuracy with ML, and this difference was statistically significant in three of the four studies. The mean AUC of the aggregated ML data was 0.737 [95% CI: 0.717, 0.758], compared to 0.627 [95% CI: 0.600, 0.653] for the pooled traditional methods. Conclusions: To our knowledge, we conducted the first systematic review and meta-analysis of ML methods for prediction of TEER success. ML outperformed established risk scores, demonstrating promising potential. Future ML models, trained on larger patient datasets, may further improve predictive accuracy in this patient population.
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 | 0,012 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,015 | 0,025 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».