Using machine learning to optimize selection of elderly patients for endovascular thrombectomy
Notice bibliographique
Résumé
BACKGROUND: Endovascular thrombectomy (ET) is the standard of care for treatment of acute ischemic stroke (AIS) secondary to large vessel occlusion. The elderly population has been under-represented in clinical trials on ET, and recent studies have reported higher morbidity and mortality in elderly patients than in their younger counterparts. OBJECTIVE: To use machine learning algorithms to develop a clinical decision support tool that can be used to select elderly patients for ET. METHODS: We used a retrospectively identified cohort of 110 patients undergoing ET for AIS at our institution to train a regression tree model that can predict 90-day modified Rankin Scale (mRS) scores. The identified algorithm, termed SPOT, was compared with other decision trees and regression models, and then validated using a prospective cohort of 36 patients. RESULTS: When predicting rates of functional independence at 90 days, SPOT showed a sensitivity of 89.36% and a specificity of 89.66% with an area under the receiver operating characteristic curve of 0.952. Performance of SPOT was significantly better than results obtained using National Institutes of Health Stroke Scale score, Alberta Stroke Program Early CT score, or patients' baseline deficits. The negative predictive value for SPOT was >95%, and in patients who were SPOT-negative, we observed higher rates of symptomatic intracerebral hemorrhage after thrombectomy. With mRS scores prediction, the mean absolute error for SPOT was 0.82. CONCLUSIONS: SPOT is designed to aid clinical decision of whether to undergo ET in elderly patients. Our data show that SPOT is a useful tool to determine which patients to exclude from ET, and has been implemented in an online calculator for public use.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».