Forecasting pulmonary air leak duration following lung surgery using transpleural airflow data from a digital pleural drainage device
Notice bibliographique
Résumé
BACKGROUND: Prolonged air leak (PAL) is often the limiting factor for hospital discharge after lung surgery. Our goal was to develop a statistical model that reliably predicts pulmonary air leak resolution by applying statistical time series modeling and forecasting techniques to digital drainage data. METHODS: Autoregressive Integrated Moving Average (ARIMA) modeling was used to forecast air leak flow from transplural air flow data. The results from ARIMA were retrospectively internally validated with a group of 100 patients who underwent lung resection between December 2012 and March 2017, for whom digital pleural drainage data was available for analysis and a persistent air leak was the limiting factor for chest tube removal. RESULTS: The ARIMA model correctly identified 82% (82/100) of patients as to whether or not the last chest tube removal was appropriate. The performance characteristics of the model in properly identifying patients whose air leak would resolve and who would therefore be candidates for safe chest tube removal were: sensitivity 80% (95% CI, 69-88%), specificity 88% (95% CI, 68-97%), positive predictive value 95% (95% CI, 86-99%), and negative predictive value 59% (95% CI, 42-79%). The false positive and false negative rate was 12% (95% CI, 12-31%) and 20% (95% CI, 12-31%). CONCLUSIONS: We were able to validate a statistical model that that reliably predicted resolution of pulmonary air leak resolution over a 24-hour period. This information may improve the care of patients with chest tube by optimizing duration of pleural drainage.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».