Biomarker panels for improved risk prediction and enhanced biological insights in patients with atrial fibrillation
Notice bibliographique
Résumé
Atrial fibrillation (AF) increases the risk of adverse cardiovascular events, yet the underlying biological mechanisms remain unclear. We evaluate a panel of 12 circulating biomarkers representing diverse pathophysiological pathways in 3817 AF patients to assess their association with adverse cardiovascular outcomes. We identify 5 biomarkers including 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 independently predict 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 predict heart failure hospitalization, while GDF-15 and IL-6 are associated with major bleeding events. A biomarker model improves predictive accuracy for stroke and major bleeding compared to established clinical risk scores. Machine learning models incorporating these biomarkers demonstrate consistent improvements in risk stratification across most outcomes. In this work, we show that 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 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».