Machine-learning informed subtypes of heart failure and their palliative care trajectories: a population-based cohort study
Notice bibliographique
Résumé
Abstract Introduction Heart failure (HF) significantly contributes to global morbidity and mortality, yet the provision of palliative care (PC) remains suboptimal in this population. Despite its anticipated benefits in symptom management and quality of life, the patterns of PC engagement across diverse HF subgroups are not well-defined. This study aims to identify HF subtypes and evaluate their PC trajectories to inform targeted strategies for improving PC access and delivery. Methods Using linked electronic health records from the Clinical Practice Research Datalink (CPRD) in England, we identified individuals aged ≥18 years with incident HF who died during follow-up. A previously developed machine learning-informed analytical framework was applied to define distinct HF subgroups based on demographic characteristics, biomarkers, hospitalizations, and comorbidities. Kaplan-Meier (KM) estimates were used to assess survival and PC trajectories across these subgroups. Results Among 51,332 individuals with incident HF, 15,376 (30%) received PC. Five distinct HF subgroups were identified: Cancer-Associated (9.3%), Cardiometabolic (12.7%), Metabolic (42.9%), AF-Associated (5.9%), and Late-Onset (29.2%). The median time to PC initiation (in those receiving it) following the diagnosis of HF was 4.3 years (IQR: 1.8–8.5). The Cancer-Associated subtype received PC earliest (median 2.6 years post-HF), while the Late-Onset subtype had the latest initiation (2.9 years) and the shortest median PC duration before death (0.35 years). Approximately 30% of patients had limited PC access. KM analysis demonstrated significant differences in PC receipt across these subtypes (p < 0.0001). Interpretation: Despite the high symptom burden and end-of-life needs in HF, receipt of PC remains limited, particularly among ‘late-onset’ HF patients. These findings underscore the inequity of PC provision even for high-risk groups in whom the early integration of wholistic care might benefit quality of life.Heart failure/palliative care subtypes Percentage of subtypes of HF/PC
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,003 | 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 ».