Predicting exercise pulmonary hypertension: the right-net machine learning model a pilot study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Exercise-transthoracic Doppler echocardiography (Ex-TTE) determination of mean pulmonary arterial pressure (mPAP)/cardiac output (CO) slope may offer key diagnostic and prognostic information in cardiorespiratory diseases. However, its applicability and reliability in routine clinical practice remain to be established. Herein, the aim of the present study was to apply a machine learning (ML) model to predict abnormal exercise TTE-derived mPAP/CO slope (>3 mmHg/L·min) in individuals at risk of pulmonary hypertension (PH), based only on clinical and resting TTE parameters. METHODS: The study population (221 healthy adults and 196 patients with connective tissue disease) was grouped according to mPAP/CO slope ≤3 vs. >3 mmHg/L·min (n = 222 and n = 195, respectively). Three different ML models (Elastic Net-Regularized Generalized Linear Model, Classification and Regression Tree, LogitBoost) were trained on resting clinical and TTE parameters to predict mPAP/CO slope >3 mmHg/L·min. Data were split into training/test sets to evaluate performance. The model with the highest area under the curve (AUC) on the test set was selected. RESULTS: The Elastic Net model achieved the best performance (AUC=0.92). Lower tricuspid annular plane systolic excursion/systolic PAP ratio, female sex, and smaller left ventricular outflow tract diameter were the key features predicting TTE-derived mPAP/CO slope >3 mmHg/L·min. CONCLUSIONS: An ML algorithm using resting clinical and TTE parameters can effectively predict exercise TTE-derived mPAP/CO slope >3 mmHg/L·min, supporting its use as a noninvasive tool to identify individuals at risk of exercise PH.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 découle