Overestimation of Cardiovascular Mortality Risk by Kaplan-Meier in Competing Risks Settings: A Web-Based Calculator and NHANES Analysis
Notice bibliographique
Résumé
Background: Traditional Kaplan-Meier (KM) event rates are widely used for cardiovascular risk prediction and tend to overestimate absolute event risk for patients by censoring competing events, such as non-cardiovascular death. Competing risks analysis (CRA), which account for such terminal events, offers more accurate estimates. However, its application in a web-based health analytics remains limited. Methods: Using a simulated cohort (n = 2,500; 100 repetitions) and the 1999–2000 NHANES cohort (n = 2,480) with 2019 National Death Index mortality linkage, the researcher compared KM estimates to CRA’s Cumulative Incidence Function (CIF), implemented via Aalen-Johansen estimators and Fine-Gray subdistribution hazard models. We assessed relative differences (bias) in 5-, 10-, 15-, and 20-year cardiovascular mortality predictions across risk strata. Findings informed a web-based calculator prototype that dynamically estimates age-specific KM and CIF probabilities while highlighting potential misclassification risks. Results: KM consistently overestimated cardiovascular mortality risk compared to CIF. In the NHANES cohort, KM estimated the 5-year risk to be 5.85% higher than the actual rate (4.37% vs. 4.13%) and 20-year risk by 28.3% (20.02% vs. 15.60%). In the simulated data, KM overestimated the 5-year risk by 7.63% (5.84% vs. 5.42%) and the 20-year risk by 31.17% (21.37% vs. 16.25%). KM-based models tend to misclassify a substantial portion of patients into higher-risk groups compared to CIF-adjusted models. Conclusion: This study demonstrates that Kaplan-Meier consistently overestimates cardiovascular mortality in comparison to competing risk methods across five time points, through using both simulated and nationally representative data. We quantify this overestimation and provide an online calculator that shows differences by age. Our tool improves the usability and interpretability of competing risks analysis for older adults in digital health settings, in contrast to tools like SCORE2.
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 | 0,049 | 0,184 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».