Surface Topography Classification Trees for Assessing Severity and Monitoring Progression in Adolescent Idiopathic Scoliosis
Notice bibliographique
Résumé
STUDY DESIGN: A validation study. OBJECTIVE: The aim of this study was to independently validate the diagnostic accuracy of surface topography (ST) classification trees to identify curve severity and progression using a new sample of data in participants with adolescent idiopathic scoliosis (AIS). SUMMARY OF BACKGROUND DATA: Radiographs for diagnosing and monitoring AIS involve harmful radiation exposure repeated at successive clinical visits. Classification trees using a novel ST technique have been proposed to determine curve severity and progression noninvasively that could be used to monitor scoliosis. METHODS: Forty-five adolescents with AIS treated nonoperatively, with ST scans and radiographs at baseline and follow-up (1 year later), were recruited from a scoliosis clinic. The Cobb angle (CA) from radiographs determined curve severity as mild (10° < CA < 25°) or moderate/severe (CA ≥ 25°) and progression as an increase >5°.ST scans were analyzed to calculate the best plane of symmetry and associated deviation color map. Root mean squares and maximum deviation were calculated for each area of asymmetry. ST measurements were analyzed using two published decision trees developed to maximize sensitivity and negative predictive value. Curves were classified as mild or moderate/severe and curve progression was predicted. Accuracy statistics were calculated to evaluate performance. RESULTS: For curve severity, sensitivity and specificity were 95% and 35%, respectively. Negative and positive predictive values were 90% and 53%, respectively, with an accuracy of 61%. For curve progression, sensitivity and specificity were 73% and 44%, respectively. Negative and positive predictive values were 83% and 30%, respectively, with an accuracy of 51%. Assuming that mild and nonprogressive curves would not require an x-ray, the use of ST decision trees could eliminate 31% of x-rays. CONCLUSION: Decision trees showed strong negative predictive values and sensitivity suggesting it may be possible to safely use ST asymmetry analysis with validated decision trees to reduce x-rays in patients with mild and nonprogressive curves. LEVEL OF EVIDENCE: 2.
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 | 0,011 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 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 ».