Predicting the future risk and outcomes of severe heart failure and coronary artery disease with machine learning in the UK Biobank Cohort
Notice bibliographique
Résumé
BACKGROUND: In order to seriously impact the global burden of heart failure (HF) and coronary artery disease (CAD), identifying at-risk individuals as early as possible is vital. Risk calculator tools in wide clinical use today are informed by traditional statistical methods that have historically yielded only modest prediction accuracy. METHODS: This study uses machine learning algorithms to generate predictions models for the development and progression of severe HF and CAD. Participants (~485,000 followed in the UK Biobank over 7 years) were stratified by cardiac status at the time of enrollment (asymptomatic, high-risk and affected); separate prediction models were built for each stratum. Participants were split between a training set (80%) and holdout dataset (20%), all performance metrics are reported for the holdout dataset. RESULTS: Out of 6 machine learning algorithms screened, artificial neural networks (ANN) most successfully predicted future disease across the various strata (area under the curve: 0.77-0.86 for 10/12 models), results were very consistent between methodologies. Models trained using ANN showed excellent calibration in all strata and across the entire spectrum of risk (0.4-1.2% average observed/predicted difference across 10 deciles of risk). Key predictive features included age, frailty, adiposity, history of hypertension and diabetes, tobacco use and family history of heart disease and were consistent between models for HF and CAD. CONCLUSIONS: When deployed as a patient-facing application, the prediction models presented here will be able to provide both user-specific predictions and simulate the effect of changes in lifestyle and of prophylaxis interventions, thus resulting in an individualized patient counselling and management tool.
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 | 0,005 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».