Validation of syncope short-term outcomes prediction by machine learning models in an Italian emergency department cohort
Notice bibliographique
Résumé
Machine learning (ML) algorithms have the potential to enhance the prediction of adverse outcomes in patients with syncope. Recently, gradient boosting (GB) and logistic regression (LR) models have been applied to predict these outcomes following a syncope episode, using the Canadian Syncope Risk Score (CSRS) predictors. This study aims to externally validate these models and compare their performance with novel models. We included all consecutive non-low-risk patients evaluated in the emergency department for syncope between 2015 and 2017 at six Italian hospitals. The GB and LR models were trained and tested using previously validated CSRS predictors. Additionally, recently developed deep learning (TabPFN) and large language models (TabLLM) were validated on the same cohort. The area under the curve (AUC), Matthews correlation coefficient (MCC), and Brier score (BS) were compared for each model. A total of 257 patients were enrolled, with a median age of 71 years. Thirteen percent had adverse outcomes at 30 days. The GB model achieved the best performance, with an AUC of 0.78, an MCC of 0.36, and a BS of 0.42. Significant performance differences were observed compared with the TabPFN model (p < 0.01) and the TabLLM model (p = 0.01). The GB model performed only slightly better than the LR model. The predictive capability of the GB and LR models using CSRS variables was reduced when validated in an external syncope cohort characterized by a higher event rate.
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 | 0,007 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».