Use of Regression Tree Analysis for Predicting the Functional Outcome after Traumatic Spinal Cord Injury
Notice bibliographique
Résumé
Predicting the long-term functional outcome after traumatic spinal cord injury (TSCI) is needed to adapt medical strategies and plan an optimized rehabilitation. This study investigates the use of regression trees for the development of predictive models based on acute clinical and demographic predictors. This prospective study was performed on 172 patients hospitalized after TSCI. Functional outcome was quantified using the Spinal Cord Independence Measure (SCIM) collected within the first-year post-injury. Age, delay before surgery, and Injury Severity Score (ISS) were considered as continuous predictors whereas energy of injury, trauma mechanisms, neurological level of injury, injury severity, occurrence of early spasticity, urinary tract infection, pressure ulcer, and pneumonia were coded as categorical inputs. A simplified model was built using only American Spinal Injury Association Impairment Scale grade, neurological level, energy, and age as predictor and was compared to a more complex model considering all 11 predictors mentioned above. The models built using 4 and 11 predictors were found to explain 51.4% and 62.3% of the variance of the SCIM total score after validation, respectively. Severity of the neurological deficit at admission was found to be the most important predictor. Other important predictors were the ISS, age, neurological level, and delay before surgery. Regression trees offer promising performances for predicting the functional outcome after a TSCI. It could help to determine the number and type of predictors leading to a prediction model of the functional outcome that can be used clinically in the future.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».