Prescriptive analytics applied to brace treatment for AIS: a pilot demonstration
Notice bibliographique
Résumé
BACKGROUND: Prescriptive analytics is a concept combining statistical and computer sciences to prescribe an optimal course of action, based on predictions of possible future events. In this simulation study we investigate using prescriptive analytics to recommend optimal in-brace corrections for braced Adolescent Idiopathic Scoliosis (AIS) patients. The objectives were to estimate the efficacy of these recommendations, ultimately working toward improved brace design protocols. METHODS: Data was obtained for 90 AIS patients who had finished brace treatment at our center (60 full-time and 30 nighttime braces). Rates of ≥6 degree progression were 53% for daytime and 30% for nighttime braces. A modeling technique previously developed by our group was used to predict these patients' likely treatment outcomes given a range of in-brace corrections - the model was blinded to the true outcomes during this process. Each patient's 'recommended' correction was identified as the least aggressive correction resulting in a desirable predicted outcome. The efficacy of these recommendations was estimated using a technique called "clinical trial simulation" (CTS). This technique used a statistical model to predict progression rate under the model-recommended treatment, and compared it to the true progression rate, observed retrospectively, under the actual treatment. Significance was calculated using a permutation test. RESULTS: Model-recommended corrections ranged from 20%-58% for daytime and 65%-130% for nighttime braces, roughly corresponding with previous literature. Interestingly, in 37% of cases the recommended correction was less than that which had actually been applied, suggesting some opportunity for less aggressive (more comfortable) braces without compromising treatment outcome. The CTS estimated 26% fewer progressive cases using the model-recommended in-brace correction, over the actual correction observed retrospectively in the charts (p=0.05). The patients whose correction decreased under the model's recommendation did not show an increased progression rate. CONCLUSIONS: Optimal correction may be less than the maximum achievable correction. The preliminary results suggest that considering model-generated recommendations during brace fitting could improve outcomes. Future work will expand the system to recommend wear-times as well as corrections, improving its clinical relevance. We envision this pilot demonstration to promote development of model-based decision support in scoliosis treatment, and prompt discussion on its future role.
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 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».