A Machine Learning Algorithm to Predict the Probability of (Occult) Posterior Malleolar Fractures Associated With Tibial Shaft Fractures to Guide “Malleolus First” Fixation
Notice bibliographique
Résumé
OBJECTIVES: To develop an accurate machine learning (ML) predictive model incorporating patient, fracture, and trauma characteristics to identify individual patients at risk of an (occult) PMF. METHODS: Databases of 2 studies including patients with TSFs from 2 Level 1 trauma centers were combined for analysis. Using ten-fold cross-validation, 4 supervised ML algorithms were trained in recognizing patterns associated with PMFs: (1) Bayes point machine; (2) support vector machine; (3) neural network; and (4) boosted decision tree. Performance of each ML algorithm was evaluated and compared based on (1) C-statistic; (2) calibration slope and intercept; and (3) Brier score. The best-performing ML algorithm was incorporated into an online open-access prediction tool. RESULTS: Total data set included 263 patients, of which 28% had a PMF. Training of the Bayes point machine resulted in the best-performing prediction model reflected by good C-statistic, calibration slope, calibration intercept, and Brier score of 0.89, 1.02, -0.06, and 0.106, respectively. This prediction model was deployed as an open-access online prediction tool. CONCLUSION: A ML-based prediction model accurately predicted the probability of a (occult) PMF in patients with a TSF based on patient- and fracture-specific characteristics. This prediction model can guide surgeons in their diagnostic workup and preoperative planning. Further research is required to externally validate the model before implementation in clinical practice. LEVEL OF EVIDENCE: Prognostic Level III. See Instructions for Authors for a complete description of levels of evidence.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».