Medication-based mortality prediction in COPD using machine learning and conventional statistical methods
Notice bibliographique
Résumé
BACKGROUND: Predicting mortality in chronic obstructive pulmonary disease (COPD) patients supports clinical decision-making and resource allocation. While most existing prediction models rely on clinical, physiological, imaging, or biological measures which are not frequently collected in clinical practice, drug claims data may be electronically accessible during routine visits. METHODS: We conducted a retrospective cohort study of COPD patients aged ≥40 years in Quebec with ≥2 years of public drug coverage and ≥1 dispensation of maintenance COPD medication. Predictors included sociodemographic characteristics, medication use and adherence for COPD and, in some models, for other chronic conditions. We compared logistic regression to six machine learning (ML) methods and assessed their performance in predicting 5-year all-cause mortality on a separate test dataset. RESULTS: Among 179,168 COPD patients (mean age 70.2 years; 47.4 % male), five-year mortality rate was 24.3 %. Logistic regression achieved an area under the receiver-operator characteristics curve (AUC-ROC) of 0.749 using only COPD medications, rising to 0.778 when adding medications for other chronic conditions. Most ML methods slightly outperformed logistic regression, with deep artificial neural networks (D-ANN) yielding the best performance (AUC-ROC = 0.787; p < 0.001). SHapley Additive exPlanations (SHAP) analysis highlighted non-inhaled anticholinergics, diuretics, antidepressants, and lipid-lowering agents as top predictors. CONCLUSIONS: Models using medication-based predictors can predict a substantial part of five-year all-cause mortality in COPD patients and may serve as a useful proxy for clinical, physiological, laboratory, and imaging predictors, which are often unavailable in medico-administrative databases and/or inaccessible to physicians in routine practice; they may also yield additional gains in predictive discrimination when combined with these other sources. While ML approaches, especially D-ANN, showed improved performance, gains over logistic regression were modest.
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 | 0,004 | 0,003 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».