Utility of stone volume estimated by software algorithm in predicting success of medical expulsive therapy
Notice bibliographique
Résumé
Introduction: We sought to assess the accuracy of using stone volume (SV) estimated with a software algorithm as a predictor for stone passage in a trial of medical expulsive therapy (MET). Methods: We identified patients with ureteral stones discharged from the ER on MET. Patients with infection, non-ureteral stones, or needing immediate surgical intervention were excluded. For each stone, longest dimension (LD) was recorded and SV was estimated by a computed tomography (CT)-based region growing (RG) algorithm and standard ellipsoid formula (EF). Stone passage within 30 days was assessed via electronic chart and followup phone call. Results: Fifty-one patients were included for analysis (53±16.7 years, 24% female). The mean LD was 4.85±2.02 mm. The mean SV was similar by EF and RG (0.051±0.057cm3 vs. 0.049± 0.052 cm3; p=0.28). Thirty-three (65%) patients passed their stone, while 18 (35%) did not. The mean LD for passed stones vs. failed passage was 4.1±1.7 mm vs. 6.2±1.8 mm (p=0.0002); the mean EF volume was 0.028±0.035 cm3 vs. 0.093±0.066 cm3 (p=0.00007); and the mean volume by RG was 0.028±0.027cm3 vs. 0.088±0.063 cm3 (p=0.00005). Conclusions: The clinical utility of using SV estimated by software algorithm as a predictor for success of MET has not previously been examined. We demonstrate that spontaneously passed stones had a significantly smaller volume than those requiring intervention. Further prospective studies are needed to validate these findings and establish volume thresholds for probability of stone passage.
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 | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».