A Discriminative Prediction Model of Neurological Outcome for Patients Undergoing Surgery of Brain Arteriovenous Malformations
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: To develop and validate a discriminative model for predicting neurological morbidity after brain arteriovenous malformation (bAVM) surgery. METHODS: Of 233 consecutive, prospectively enrolled patients undergoing bAVM surgery, the first 175 were used to derive, and the last 58 to validate, the prediction model. Demographic and angiographic factors were related to modified Rankin Scale scores assigned before, within 72 hours, at 7 days and at > or =1 year after surgery to seek predictors of postoperative neurological deficits (modified Rankin Scale score > or =3). These factors included nidus size, eloquence, venous drainage, diffuseness, white matter configuration, arterial perforator supply and associated aneurysms. RESULTS: Brain eloquence, diffuse nidus and deep venous drainage were significant predictors of early disabling neurological deficits (odds ratios of 4.33, 3.49 and 2.38, respectively). The rounded odds ratios form a weighted 9-point prediction model (maximum scores for eloquence+diffuseness+deep drainage=4+3+2). The score discriminated the probability of experiencing both early (first week) and permanently (at > or =1 year) disabling neurological deficits as follows: 0 to 2: 1.8%, 3 to 5: 17.4%, 6 to 7: 31.6%, >7: 52.9% for early and 0 to 2: 1.8%, 3 to 5: 4.4%, 6 to 7: 18.4%, >7: 32.4% for permanently disabling outcomes. The discrimination of the model was 0.80 with 2.8% optimism. Validation in the second patient cohort revealed good performance at risk stratification. CONCLUSIONS: Relative weights assigned to brain eloquence, diffuse nidus morphology and deep venous drainage of a bAVM provide a simple and discriminative prediction model for neurological outcome after bAVM surgery.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».