Predictive Modeling for Blood Transfusion After Adult Spinal Deformity Surgery
Notice bibliographique
Résumé
STUDY DESIGN: Retrospective cohort study. OBJECTIVE: Blood transfusion is frequently necessary after adult spinal deformity (ASD) surgery. We sought to develop predictive models for blood transfusion after ASD surgery, utilizing both classification tree and random forest machine-learning approaches. SUMMARY OF BACKGROUND DATA: Past models for transfusion risk among spine surgery patients are disadvantaged through use of single-institutional data, potentially limiting generalizability. METHODS: This investigation was conducted utilizing the American College of Surgeons National Surgical Quality Improvement Program dataset years 2012 to 2015. Patients undergoing surgery for ASD were identified using primary-listed current procedural terminology codes. In total, 1029 patients were analyzed. The primary outcome measure was intra-/postoperative blood transfusion. Patients were divided into training (n = 824) and validation (n = 205) datasets. Single classification tree and random forest models were developed. Both models were tested on the validation dataset using area under the receiver operating characteristic curve (AUC), which was compared between models. RESULTS: Overall, 46.5% (n = 479) of patients received a transfusion intraoperatively or within 72 hours postoperatively. The final classification tree model used operative duration, hematocrit, and weight, exhibiting AUC = 0.79 (95% confidence interval 0.73-0.85) on the validation set. The most influential variables in the random forest model were operative duration, surgical invasiveness, hematocrit, weight, and age. The random forest model exhibited AUC = 0.85 (95% confidence interval 0.80-0.90). The difference between the classification tree and random forest AUCs was nonsignificant at the validation cohort size of 205 patients (P = 0.1551). CONCLUSION: This investigation produced tree-based machine-learning models of blood transfusion risk after ASD surgery. The random forest model offered very good predictive capability as measured by AUC. Our single classification tree model offered superior ease of implementation, but a lower AUC as compared to the random forest approach, although this difference was not statistically significant at the size of our validation cohort. Clinicians may choose to implement either of these models to predict blood transfusion among their patients. Furthermore, policy makers may use these models on a population-based level to assess predicted transfusion rates after ASD surgery. LEVEL OF EVIDENCE: 3.
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 ».