Enhancing Frailty Assessments for Transcatheter Aortic Valve Replacement Patients Using Structured and Unstructured Data: Real-World Evidence Study
Notice bibliographique
Résumé
Background: Transcatheter aortic valve replacement (TAVR) is a commonly used treatment for severe aortic stenosis. As degenerative aortic stenosis is primarily a disease afflicting older adults, a frailty assessment is essential to patient selection and optimal periprocedural outcomes. Objective: This study aimed to enhance frailty assessments of TAVR candidates by integrating real-world structured and unstructured data. Methods: This study analyzed data from 14,000 patients between January 2018 and December 2019 to assess frailty in TAVR patients at the University of Florida. Frailty was identified using the Fried criteria, which includes weight loss, exhaustion, walking speed, grip strength, and physical activity. Latent Dirichlet allocation for topic modeling and Extreme Gradient Boosting for frailty prediction were applied to unstructured clinical notes and structured electronic health record (EHR) data. We also used least absolute shrinkage and selection operator regression for feature selection. Model performance was rigorously evaluated using nested cross-validation, ensuring the generalizability of the findings. Results: Model performance was significantly improved by combining unstructured clinical notes with structured EHR data, achieving an area under the receiver operating characteristic curve of 0.82 (SD 0.07), which surpassed the EHR-only model's area under the receiver operating characteristic curve of 0.64 (SD 0.08). The Shapley Additive Explanations analysis found that congestive heart failure management, back problems, and atrial fibrillation were the top frailty predictors. Additionally, the latent Dirichlet allocation topic modeling identified 7 key topics, highlighting the role of specific medical treatments in predicting frailty. Conclusions: Integrating unstructured clinical notes and structured EHR data led to a notable enhancement in predicting frailty. This method shows great potential for standardizing frailty assessments using real-world data and improving patient selection for TAVR.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 | 0,000 |
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 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 ».