Evaluating Performance of the Spetzler-Martin Supplemented Model in Selecting Patients With Brain Arteriovenous Malformation for Surgery
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Our recently proposed point scoring model includes the widely-used Spetzler-Martin (SM)-5 variables, along with age, unruptured presentation, and diffuse border (SM-Supp). Here we evaluate the SM-Supp model performance compared with SM-5, SM-3, and Toronto prediction models using net reclassification index, which quantifies the correct movement in risk reclassification, and validate the model in an independent data set. METHODS: Bad outcome was defined as worsening between preoperative and final postoperative modified Rankin Scale score. Point scores for each model were used as predictors in logistic regression and predictions evaluated using net reclassification index at varying thresholds (10%-30%) and any threshold (continuous net reclassification index >0). Performance was validated in an independent data set (n=117). RESULTS: Net gain in risk reclassification was better using the SM-Supp model over a range of threshold values (net reclassification index=9%-25%) and significantly improved overall predictions for outcomes in the development data set, yielding a continuous net reclassification index of 64% versus SM-5, 67% versus SM-3, and 61% versus Toronto (all P<0.001). In the validation data set, the SM-Supp model again correctly reclassified a greater proportion of patients versus SM-5 (82%), SM-3 (85%), and Toronto models (69%). CONCLUSIONS: The SM-Supp model demonstrated better discrimination and risk reclassification than several existing models and should be considered for clinical practice to estimate surgical risk in patients with brain arteriovenous malformation.
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 | 0,008 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 |
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 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 ».