Machine-learning phenotyping of patients with functional mitral regurgitation undergoing transcatheter edge-to-edge repair: the MITRA-AI study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Aims Severe functional mitral regurgitation (FMR) may benefit from mitral transcatheter edge-to-edge repair (TEER), but selection of patients remains to be optimized. Objectives The aim of this study was to use machine-learning (ML) approaches to uncover concealed connections between clinical, echocardiographic, and haemodynamic data associated with patients’ outcomes. Methods and results Consecutive patients undergoing TEER from 2009 to 2020 were included in the MITRA-AI registry. The primary endpoint was a composite of cardiovascular death or heart failure (HF) hospitalization at 1 year. External validation was performed on the Mitrascore cohort. 822 patients were included. The composite primary endpoint occurred in 250 (30%) patients. Four clusters with decreasing risk of the primary endpoint were identified (42, 37, 25, and 20% from Cluster 1 to Cluster 4, respectively). Clusters were combined into a high-risk (Clusters 1 and 2) and a low-risk phenotype (Clusters 3 and 4). High-risk phenotype patients had larger left ventriculars (LVs) (>107 mL/m2), lower left ventricular ejection fraction (<35%), and more prevalent ischaemic aetiology compared with low-risk phenotype patients. Within low-risk groups, permanent atrial fibrillation amplified that of HF hospitalizations. In the Mitrascore cohort, the incidence of the primary endpoint was 48, 52, 35, and 42% across clusters. Conclusion A ML analysis identified meaningful clinical phenotypic presentations in FMR undergoing TEER, with significant differences in terms of cardiovascular death and HF hospitalizations, confirmed in an external validation cohort.
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.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 | 0,000 |
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 découle