Fuzzy Logic-Based Model to Stratify Cardiac Surgery Risk
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: Medical practice is usually performed in a context of uncertainty, where expert knowledge is used for efficiencyin the decision-making process.Objective: The aim of this study was to develop and validate a fuzzy logic-based model to predict cardiac surgery mortality risk.Methods: Four hundred and fifty patients undergoing cardiac surgery were prospectively included in the study and mortalityrisk was predicted based on five scores: 1) “clinical expert” opinion, 2) fuzzy logic-based system according to expert knowledge,3) Parsonnet, 4) Ontario and 5) EuroSCORE. The fuzzy logic model was developed in the following stages: expert selectionof different mortality predictive variables, tables of influence among variables, construction of a fuzzy cognitive map (FCM)and its implementation in an artificial neuronal network, expert-determined patient risk score, test set risk calculation basedon fuzzy predictors, validation set risk using calibrated FCM, and comparison with the other scores according to the level ofagreement and precision with ROC curves.Results: The calibrated model was used to predict the outcome of the validation set (360 patients), based on the FCM scoreand risk predicted by Parsonnet, Ontario and EuroSCORE. The ROC areas showed that FCM had at least the same performanceas other scores to predict mortality (ROC=0.793 vs. 0.775, 0.767, 0.741 and 0.701 for EuroSCORE, “expert”, Ontarioand Parsonnet, respectively).Conclusions: A fuzzy logic-based system employing expert knowledge and the implementation of an expert system is postulatedto predict cardiac surgery mortality risk. The model not only mimicked the outcomes obtained by the “expert”, but had thesame performance as others risk scores.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 découle