Prelisting predictions of early postoperative survival in infant heart transplantation using classification and regression tree analysis
Notice bibliographique
Résumé
Infants listed for heart transplantation experience high waitlist and early post-transplant mortality, and thus, optimal allocation of scarce donor organs is required. Unfortunately, the creation and validation of multivariable regression models to identify risk factors and generate individual-level predictions are challenging. We sought to explore the use of data mining methods to generate a prediction model. CART analysis was used to create a model which, at the time of listing, would predict which infants listed for heart transplantation would survive at least 3 months post-transplantation. A total of 48 infants were included; 13 died while waiting, and six died within 3 months of heart transplant. CART analysis identified RRT, blood urea nitrogen, and hematocrit as terminal nodes with alanine transaminase as an intermediate node predicting death. No patients listed on RRT (n = 10) survived and only three of 12 (25%) patients listed on ECLS survived >3 months post-transplant. CART analysis overall accuracy was 83%, with sensitivity of 95% and specificity 76%. This study shows that CART analysis can be used to generate accurate prediction models in small patient populations. Model validation will be necessary before incorporation into decision-making algorithms used to determine transplant candidacy.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».