Comprehensive Machine Learning-Enabled Outcome Prediction for Patients With Coronary Artery Disease Using Multicentre Patient Data
Notice bibliographique
Résumé
BACKGROUND: Treatment decision-making for patients with coronary artery disease (CAD) can benefit from accurate patient outcome prediction. Although previous studies have used machine learning (ML) to develop prediction models, they were mostly on the basis of small patient cohorts with strict inclusion and exclusion criteria, limited features, and only internal validation. We aimed to develop and externally validate ML models to predict short- and long-term outcomes for patients with obstructive CAD using large-scale multicentre patient data. METHODS: We used a comprehensive data set from patients with obstructive CAD who underwent coronary angiography at 3 hospitals in Alberta, Canada between 2009 and 2019. To predict all-cause mortality and major adverse cardiovascular events at 90 days, 1 year, 3 years, and 5 years, > 12,000 features were considered in an extensive ML framework. In addition to traditional ML models, we used a generative transformer-based tabular foundation model, Tabular Prior-Data Fitted Networks (TabPFN; Prior Labs, Freiburg im Breisgau, Germany). To study real-time feasibility, secondary analyses limited feature sets to commonly available preangiography data. RESULTS: A total of 44,462 catheterizations from 38,767 patients were included. The median areas under the receiver operating characteristic curves of the best models, mostly TabPFNs, in external validation ranged from 0.796 to 0.845 and 0.694 to 0.755 for mortality and major adverse cardiovascular events, respectively. The minimum deployable preangiography feature set led to slightly lower but still reasonable performance. CONCLUSIONS: The large sample size, extensive feature set, external validation, and transformer architecture led to personalized models with robust prediction performance. Our models have the potential to improve CAD treatment decision-making via accurate prognosis.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».