Abstract 4370598: Machine Learning Models to Predict High Atrial Fibrillation Burden Post-Catheter Ablation in Patients with Persistent AF: Insights from the DECAAF II Trial
Notice bibliographique
Résumé
Background: High atrial fibrillation (AF) burden is associated with increased risk of stroke and heart failure. While catheter ablation reduces AF burden in most patients, a minority remain at risk for high AF burden after the procedure. Objective: In this study, we aimed to utilize machine learning to predict high AF burden post-ablation in patients with persistent AF. Methods: This study analyzed six hundred and eighty-five with persistent AF (mean age: 62.0 ± 9.1; women: 20%) who underwent catheter ablation in the DECAAF II trial and were followed for a total of 540 days. Four machine-learning models—Elastic Net, Decision Tree, Random Forest, and XGBoost—were developed to predict each of AF recurrence and AF burden ≥10% using 200 pre-ablation variables, including clinical, MRI, and laboratory data. The models were trained and validated using stratified 5-fold cross-validation. SHapley Additive exPlanations (SHAP) were derived to explain the most impactful features collected from each patient. Results: The XGBoost models outperformed all other models in predicting AF recurrence (30 variables; cross-validated AUC = 0.64 ± 0.04) and AF burden ≥ 10% (27 variables; cross-validated AUC of 0.66 ± 0.03) (Figure 1A). SHAP analysis revealed the top predictors of high AF burden on a patient-specific level, including left atrial volume index (importance: 0.1), age (0.02), left atrial appendage enhancement (0.01), Utah stage <3 (0.01), and left pulmonary vein enhancement percentage (0.01). Fatigue at rest (0.01) and frequency of AF episodes (0.001) based on patient-filled questionnaires (University of Toronto Atrial Fibrillation Severity Scale- AFSS) did contribute to the prediction (Figure 1B). Conclusion: XGBoost models, augmented by SHAP explainability, were the most reliable and explainable models for predicting both recurrence and high post-ablation AF burden (≥10%). These models can lead to a more granular risk stratification and facilitate future patient-specific management.
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 | 0,009 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».