Cleaning Up the MESS: Can Machine Learning Be Used to Predict Lower Extremity Amputation after Trauma-Associated Arterial Injury?
Notice bibliographique
Résumé
BACKGROUND: Thirty years after the Mangled Extremity Severity Score was developed, advances in vascular, trauma, and orthopaedic surgery have rendered the sensitivity of this score obsolete. A significant number of patients receive amputation during subsequent admissions, which are often missed in the analysis of amputation at the index admission. We aimed to identify risk factors for and predict amputation on initial admission or within 30 days of discharge (peritraumatic amputation [PTA]). STUDY DESIGN: The Nationwide Readmission Database for 2016 and 2017 was used in our analysis. Factors associated with PTA were identified. We used XGBoost, random forest, and logistic regression methods to develop a framework for machine learning-based prediction models for PTA. RESULTS: We identified 1,098 adult patients with traumatic lower extremity fracture and arterial injuries; 206 underwent amputation. One hundred and seventy-six patients (85.4%) underwent amputation during the index admission and 30 (14.6%) underwent amputation within a 30-day readmission period. After identifying factors associated with PTA, we constructed machine learning models based on random forest, XGBoost, and logistic regression to predict PTA. We discovered that logistic regression had the most robust predictive ability, with an accuracy of 0.88, sensitivity of 0.47, and specificity of 0.98. We then built on the logistic regression by the NearMiss algorithm, increasing sensitivity to 0.71, but decreasing accuracy to 0.74 and specificity to 0.75. CONCLUSIONS: Machine learning-based prediction models combined with sampling algorithms (such as the NearMiss algorithm in this study), can help identify patients with traumatic arterial injuries at high risk for amputation and guide targeted intervention in the modern age of vascular surgery.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».