Predicting Survival in Patients with Severe Heart Failure: Risk Score Validation in the HELP-HF Cohort
Notice bibliographique
Résumé
AIMS: Accurate selection of patients with severe heart failure (HF) who might benefit from advanced therapies is crucial. The present study investigates the performance of the available risk scores aimed at predicting the risk of mortality in patients with severe HF. METHODS AND RESULTS: The risk of 1-year mortality was estimated in patients with severe HF enrolled in the HELP-HF cohort according to the MAGGIC, 3-CHF, ADHF/NT-proBNP, and GWTG-HF risk scores, the number of criteria of the 2018 HFA-ESC definition of advanced HF, I NEED HELP markers, domains fulfilled of the 2019 HFA-ESC definition of frailty, the frailty index, and the INTERMACS profile. In addition, we tested the performance of different machine learning (ML)-based models to predict 1-year mortality. At 1-year follow-up, 265 patients (23.1%) died. The prognostic accuracy, tested in the subgroup of patients with completeness of all data regarding the variables included in the scores (497/1149 patients), resulted moderate for MAGGIC, GWTG-HF, and ADHF/NT-proBNP scores (area under the curve [AUC] ≥0.70) and only poor for the other tools. All the scores lost accuracy in estimating the rate of 1-year mortality in patients at the highest risk. Support vector machine-based model had the best AUC among ML-based models, slightly outperforming most of the tested risk scores. CONCLUSION: Most of the scores used to predict the risk of mortality in HF performed poorly in real-world patients with severe HF and provided inaccurate estimate of the risk of 1-year mortality in patients at the highest risk. ML-based models did not significantly outperform the currently available risk scores and their use must be validated in large cohort of 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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».