Predicting Postoperative Cochlear Implant Performance Using Supervised Machine Learning
Notice bibliographique
Résumé
OBJECTIVES: To predict postoperative cochlear implant performance with heterogeneous text and numerical variables using supervised machine learning techniques. STUDY DESIGN: A supervised machine learning approach comprising neural networks and decision tree-based ensemble algorithms were used to predict 1-year postoperative cochlear implant performance based on retrospective data. SETTING: Tertiary referral center. PATIENTS: One thousand six hundred four adults who received one cochlear implant from 1989 to 2019. Two hundred eighty two text and numerical objective demographic, audiometric, and patient-reported outcome survey instrument variables were included. OUTCOME MEASURES: Outcomes for postoperative cochlear implant performance were discrete Hearing in Noise Test (HINT; %) performance and binned HINT performance classification ("High," "Mid," and "Low" performers). Algorithm performance was assessed using hold-out validation datasets and were compared using root mean square error (RMSE) in the units of the target variable and classification accuracy. RESULTS: The neural network 1-year HINT prediction RMSE and classification accuracy were 0.57 and 95.4%, respectively, with only numerical variable inputs. Using both text and numerical variables, neural networks predicted postoperative HINT with a RMSE of 25.0%, and classification accuracy of 73.3%. When applied to numerical variables only, the XGBoost algorithm produced a 1-year HINT score prediction performance RMSE of 25.3%. We identified over 20 influential variables including preoperative sentence-test performance, age at surgery, as well as specific tinnitus handicap inventory (THI), Short Form 36 (SF-36), and health utilities index (HUI) question responses as the highest influencers of postoperative HINT. CONCLUSION: Our results suggest that supervised machine learning can predict postoperative cochlear implant performance and identify preoperative factors that significantly influence that performance. These algorithms can help improve the understanding of the diverse factors that impact functional performance from heterogeneous data sources.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».