Biomarker panels for improved risk prediction and enhanced biological insights in patients with atrial fibrillation
Notice bibliographique
Résumé
Atrial fibrillation (AF) is associated with an increased risk of adverse cardiovascular events, but the underlying biological mechanisms remain incompletely understood. Here we evaluated a panel of 12 circulating biomarkers representing diverse pathophysiological pathways in a cohort of 3,817 AF patients to assess their association with adverse cardiovascular outcomes. We identified 5 biomarkers—d-dimer, growth differentiation factor 15 (GDF-15), interleukin-6 (IL-6), N-terminal pro-B-type natriuretic peptide (NT-proBNP), and high-sensitivity troponin T (hsTropT)—that were independently associated with cardiovascular death, stroke, myocardial infarction, and systemic embolism, significantly enhancing predictive accuracy. Additionally, GDF-15, insulin-like growth factor-binding protein-7 (IGFBP-7), NT-proBNP, and hsTropT were strong predictors of heart failure hospitalization, while GDF-15 and IL-6 were associated with major bleeding events. Incorporating IL-6, NT-proBNP, and hsTropT to the CHA₂DS₂-VASc score improved stroke risk prediction. Machine learning models incorporating these biomarkers demonstrated consistent improvements in risk stratification across all outcomes. Our results highlight the potential of integrating biomarkers related to myocardial injury, inflammation, oxidative stress, and coagulation into both conventional and machine learning-based models refine prognosis and guide clinical decision-making in AF patients.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».