Machine Learning for Pattern Detection in Cochlear Implant FDA Adverse Event Reports
Notice bibliographique
Résumé
ABSTRACT Importance The United States Food & Drug Administration (FDA) passively monitors medical device performance and safety through submitted medical device reports (MDRs) in the Manufacturer and User Facility Device Experience (MAUDE) database. These databases can be analyzed for patterns and novel opportunities for improving patient safety and/or device design. Objectives The objective of this analysis was to use supervised machine learning to explore patterns in reported adverse events involving cochlear implants. Design The MDRs for the top three CI manufacturers by volume from January 1 st 2009 to August 30 th 2019 were retained for the analysis. Natural language processing was used to measure the importance of specific words. Four supervised machine learning algorithms were used to predict which adverse event narrative description pattern corresponded with a specific cochlear implant manufacturer and adverse event type - injury, malfunction, or death. Setting U.S. government public database. Participants Adult and pediatric cochlear patients. Exposure Surgical placement of a cochlear implant. Main Outcome Measure Machine learning model classification prediction accuracy (% correct predictions). Results 27,511 adverse events related to cochlear implant devices were submitted to the MAUDE database during the study period. Most adverse events involved patient injury (n = 16,736), followed by device malfunction (n = 10,760), and death (n = 16). Submissions to the database were dominated by Cochlear Corporation (n = 13,897), followed by MedEL (n = 7,125), and Advanced Bionics (n = 6,489). The random forest, linear SVC, naïve Bayes and logistic algorithms were able to predict the specific CI manufacturer based on the adverse event narrative with an average accuracy of 74.8%, 86.0%, 88.5% and 88.6%, respectively. Conclusions & Relevance Using supervised machine learning algorithms, our classification models were able to predict the CI manufacturer and event type with high accuracy based on patterns in adverse event text descriptions. 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 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 | 0,008 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».