Development and prospective evaluation of a machine learning model to predict serious cardiac outcomes among paediatric cardiac inpatients
Notice bibliographique
Résumé
Objectives Objectives were to develop a machine learning (ML) model based on electronic health record data to predict the risk of a serious cardiac outcome within the next 3 months among patients admitted to the cardiology service using retrospective data, and to evaluate the model prospectively in a silent trial (predictions not provided to clinicians). Methods and analysis Admissions between 2 June 2018 to 21 August 2023 (retrospective) and 10 May 2024 to 26 October 2024 (prospective) to the cardiology service were included. Data were a curated and validated source named SickKids Enterprise-wide Data in Azure Repository. Prediction time was the morning following admission. The label was a composite outcome consisting of ventricular assist device procedure, heart transplant waitlisting or death within 3 months. We trained models using L2-regularised logistic regression, LightGBM and XGBoost. Training cohorts include the target cohort and all inpatient admissions. Results The best-performing model in the retrospective phase was LightGBM trained on all inpatients. There were 51 571 admissions used for model development in the retrospective phase and 515 admissions in the prospective silent trial. The number of features in the final model was 7553. The area under the receiver operating characteristic curve was 0.88 (95% CI 0.88 to 0.89) for retrospective and 0.82 (95% CI 0.79 to 0.83) for prospective silent trial phases. Based on a threshold selected during the retrospective phase, silent trial positive and negative predictive values were 0.19 and 0.97, respectively. Conclusions We created an ML model to predict serious cardiac outcomes using a deployment-aware framework leveraging real-world data. Postdeployment evaluation will be an important future goal.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».