Prediction of Peripheral Artery Disease Prognosis Using Clinical and Inflammatory Biomarker Data
Notice bibliographique
Résumé
Ben Li,1– 4,* Farah Shaikh,2,* Abdelrahman Zamzam,2 Ravel Raphael,2 Muzammil H Syed,2 Houssam K Younes,5 Rawand Abdin,6 Mohammad Qadura1– 3,7 1Department of Surgery, University of Toronto, Toronto, Ontario, Canada; 2Division of Vascular Surgery, St. Michael’s Hospital, Unity Health Toronto, University of Toronto, Toronto, Ontario, Canada; 3Institute of Medical Science, University of Toronto, Toronto, Ontario, Canada; 4Temerty Centre for Artificial Intelligence Research and Education in Medicine (T-CAIREM), University of Toronto, Toronto, Ontario, Canada; 5Heart, Vascular, & Thoracic Institute, Cleveland Clinic Abu Dhabi, Abu Dhabi, United Arab Emirates; 6Department of Medicine, McMaster University, Hamilton, Ontario, Canada; 7Li Ka Shing Knowledge Institute, St. Michael’s Hospital, Unity Health Toronto, University of Toronto, Toronto, Ontario, Canada*These authors contributed equally to this workCorrespondence: Mohammad Qadura, University of Toronto, Division of Vascular Surgery, St. Michael’s Hospital, Unity Health Toronto, 30 Bond Street, Suite 7-076, Toronto, Ontario, M5B 1W8, Canada, Tel +1 416-864-5154, Email mohammad.qadura@utoronto.caPurpose: Inflammatory biomarkers associated with peripheral artery disease (PAD) have been examined separately; however, an algorithm that includes a panel of inflammatory proteins to inform prognosis of PAD could improve predictive accuracy. We developed predictive models for 2-year PAD-related major adverse limb events (MALE) using clinical/inflammatory biomarker data.Methods: We conducted a prognostic study using 2 phases (discovery/validation models). The discovery cohort included 100 PAD patients that were propensity-score matched to 100 non-PAD patients. The validation cohort included 365 patients with PAD and 144 patients without PAD (non-matched). Plasma concentrations of 29 inflammatory proteins were determined at recruitment and the cohorts were followed for 2 years. The outcome of interest was 2-year MALE (composite of major amputation, vascular intervention, or acute limb ischemia). A random forest model was trained with 10-fold cross-validation to predict 2-year MALE using the following input features: 1) clinical characteristics, 2) inflammatory biomarkers that were expressed differentially in PAD vs non-PAD patients, and 3) clinical characteristics and inflammatory biomarkers.Results: The model discovery cohort was well-matched on age, sex, and comorbidities. Of the 29 proteins tested, 5 were elevated in PAD vs non-PAD patients (MMP-7, MMP-10, IL-6, CCL2/MCP-1, and TFPI). For prognosis of 2-year MALE on the validation cohort, our model achieved AUROC 0.63 using clinical features alone and adding inflammatory biomarker levels improved performance to AUROC 0.84.Conclusion: Using clinical characteristics and inflammatory biomarker data, we developed an accurate predictive model for PAD prognosis.Plain Language Summary: Inflammatory biomarkers associated with peripheral artery disease (PAD) have been examined separately; however, an algorithm that includes an inflammatory protein panel to inform prognosis of PAD may improve predictive accuracy. We developed predictive models for 2-year major adverse limb events (MALE) using clinical characteristics (demographics, comorbidities, and medications) and a panel of 5 PAD-specific inflammatory biomarkers (MMP-7, MMP-10, IL-6, CCL2/MCP-1, and TFPI) that achieved excellent performance on an independent validation cohort (AUROC 0.84). The models developed through this study may support PAD risk-stratification and targeted management strategies.Keywords: inflammatory biomarkers, predictive model, prognosis, peripheral artery disease
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 | 0,007 |
| 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) | 0,002 | 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 ».