Development of an Electronic Medical Record–Based Score for Heart Failure Prediction in Cancer Survivors
Notice bibliographique
Résumé
BACKGROUND: Awareness of heart failure (HF) as a long-term complication of cancer has led to an interest in HF surveillance among survivors. However, existing HF risk scores are not tailored for survivors and not designed for the use in electronic medical records (EMRs) or administrative data sets where clinical data such as blood pressure and pathology results are often unavailable. OBJECTIVES: The objective of the study is to develop a cancer-specific incident HF risk score suitable for screening in EMR or administrative data sets. METHODS: The cancer-specific HF prediction from EMRs in survivor health care (CHERISH) risk score was developed from risk variables identified in 16,191 cancer survivors (mean 61 years; 59.5% female) derived from the UK Biobank. External validation was conducted in a population-based Ontario cohort (n = 446,096; mean 67 years; 53.9% female). HF risk classification with CHERISH was compared against the ARIC (Atherosclerotic Risk In Community)-HF score using area under the curve (AUC). RESULTS: The CHERISH score incorporates 11 clinical variables-age, years since cancer diagnosis, coronary heart disease, arrhythmia, myocardial infarct, diabetes, hypertension, leukemia, non-Hodgkin lymphoma, lung cancer, and breast cancer. CHERISH demonstrated strong prediction of 10-year HF incidence during internal validation (AUC: 0.829), exceeding ARIC-HF (AUC: 0.697; P < 0.001). In external validation, CHERISH showed an AUC of 0.721 in predicting 10-year HF incidence, compared to an AUC of 0.751 (P < 0.001) with ARIC-HF. CONCLUSIONS: The integration of the CHERISH score into EMR systems may provide large-scale, automated HF risk assessment in cancer survivors, using routinely collected clinical data.
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 ».