Predictive Models Aid Prognostication
Notice bibliographique
Résumé
BACKGROUND: In a recent multicenter Canadian study in heart failure (HF), model predictions proved more accurate than physicians. OBJECTIVES: Simulating clinical practice, the authors evaluated the predictive value of combining model predictions with physician estimated 1-year mortality in HF outpatients. METHODS: This post hoc analysis of a Canadian multicenter cohort study included HF outpatients (left ventricular ejection fraction ≤40%). HF cardiologists and family doctors estimated patient 1-year mortality using clinical judgment. The Seattle HF Model (SHFM) predicted mortality. All patients were followed for 1 year to collect mortality. Stratified by specialty, we compared the performance of SHFM and physician estimates alone, with a model integrating physician and SHFM predictions using a random forest survival model, evaluating discrimination (C-statistic), calibration (observed vs predicted event rate), risk reclassification, and clinical net benefit. RESULTS: In 1,643 HF patients, 1-year mortality was 9% (95% CI: 8%-11%). The SHFM had adequate discrimination (C-statistic 0.76; 95% CI: 0.72-0.80) and excellent calibration. Physicians showed adequate discrimination (0.75; 95% CI: 0.71-0.79 for cardiologists; 0.72; 95% CI: 0.66-0.78 for family doctors) and poor calibration with significant risk overestimation. Integrating SHFM and physician predictions, discrimination significantly improved (0.82; 95% CI: 0.78-0.86 for cardiologists; 0.87; 95% CI: 0.83-0.91 for family doctors) with excellent calibration. By risk reclassification, among patients without events, the integrated model better risk-classified 71% (95% CI: 70%-72%) vs cardiologists and 60% (95% CI: 58%-61%) vs family doctors; among patients with events, the model misclassified 45% (95% CI: 58%-63%) vs cardiologists and 11% (95% CI: 25% to 3%) vs family doctors. The integrated model led to higher clinical benefit. CONCLUSIONS: Integrating SHFM predictions with physician judgment improved accuracy. Model-informed assessment provides prognostic accuracy for clinical decision-making. (Predicted Prognosis in Heart Failure Intuition; NCT04009798).
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 | 0,013 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».