Beyond Conventional Meta-Analysis: A Meta-Learning Model to Predict Cohort-Level Mortality After Transcatheter Aortic Valve Replacement (TAVR)
Notice bibliographique
Résumé
Context and Objective: Post-Transcatheter Aortic Valve Replacement (TAVR) mortality exhibits extreme heterogeneity that conventional meta-analyses fail to explain, limiting the clinical utility of evidence synthesis and hindering accurate prognostic assessment. This study evaluated whether meta-learning, using aggregate data from the literature, can predict cohort-level mortality and identify its determinants, overcoming the limitations of traditional methods to provide a clearer understanding of the factors driving TAVR outcomes. Methods: A systematic review following PRISMA guidelines was conducted across five databases. Methodological quality was assessed with standardized tools (Risk of Bias 2, Newcastle-Ottawa Scale, Risk of Bias in Non-randomized Studies of Exposure). After performing conventional meta-analyses and meta-regressions, multiple machine learning models were trained using study-level characteristics as predictors. Advanced optimization with regularization and ensemble techniques was applied to develop a final, optimized model. Results: Fifty-eight studies, encompassing over 533,000 patients, were included. Traditional meta-analysis confirmed extreme heterogeneity (I2 = 76.7% in Random Clinical Trials, 96.8% in observational studies), with no explanatory power via meta-regression. The initial AdaBoost model achieved R2 = 0.191, outperforming 17 alternative algorithms. Advanced optimization developed a Blend_Optimized model that explained 65.3% of the variability (R2 = 0.653), marking a substantial 46 percentage-point increase. Interpretability analysis identified four dominant predictors: Society of Thoracic Surgeons Predicted Risk of Operative Mortality (R2 = 0.300), Recruitment Year (R2 = 0.212), % Transfemoral (R2 = 0.201), and % Diabetes (R2 = 0.175), revealing a potent temporal gradient reflecting the evolution of medical practice. Conclusions: Meta-learning significantly surpasses traditional methods in extracting systematic signals from heterogeneous evidence. This study demonstrates that, in addition to patient risk factors, a significant temporal gradient models technological evolution and learning curves. The methodology transforms seemingly unexplained heterogeneity into clinically interpretable patterns, demonstrating the potential of meta-learning as a complementary tool for evidence synthesis in interventional cardiology and opening avenues for applications in other complex cardiovascular fields. Important Limitation: This model predicts cohort-level outcomes and should not be used for individual risk assessment.
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 | 0,063 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,034 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».