Enhancing Prediction of Cancer Therapy-Related Cardiomyopathy From Surveillance Echocardiograms
Notice bibliographique
Résumé
BACKGROUND: Early echocardiographic indicators of cardiac remodeling may enhance cardiomyopathy risk prediction in childhood cancer survivors (CCS). OBJECTIVES: The objective of the study was to assess whether influential echocardiographic measures can be combined to develop a robust cardiomyopathy risk prediction model in CCS. METHODS: Multicenter retrospective study of ≥1-year CCS with digitally archived surveillance echocardiograms, enrolled cardiomyopathy cases (left ventricular [LV] fractional shortening ≤28% or LV ejection fraction ≤50% on ≥2 occasions) and noncases (≥5-year CCS who maintained fractional shortening ≥ 30% and ejection fraction ≥55% without initiation of cardiac medications). Echocardiograms were centrally quantitated in a blinded fashion. Least absolute shrinkage and selection operator regression identified the most influential 2-year predictors of cardiomyopathy among 27 echocardiographic parameters. Logistic regression was used to generate ORs with 95% CIs. Estimates were applied to the training and test data sets to generate area under the receiver operating characteristic curves (AUC). RESULTS: : 1.3; 95% CI: 1.1-1.6) were strongly predictive of cardiomyopathy. AUCs were similar if cancer treatment exposures were included. CONCLUSIONS: Early abnormalities in echocardiographic parameters of structure and function predict subsequent cardiomyopathy in CCS and can identify high-risk survivors who warrant early intervention.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».