Low Predictability of Readmissions and Death Using Machine Learning in Cirrhosis
Notice bibliographique
Résumé
INTRODUCTION: Readmission and death in cirrhosis are common, expensive, and difficult to predict. Our aim was to evaluate the abilities of multiple artificial intelligence (AI) techniques to predict clinical outcomes based on variables collected at admission, during hospitalization, and at discharge. METHODS: We used the multicenter North American Consortium for the Study of End-Stage Liver Disease (NACSELD) cohort of cirrhotic inpatients who are followed up through 90-days postdischarge for readmission and death. We used statistical methods to select variables that are significant for readmission and death and trained 3 AI models, including logistic regression (LR), kernel support vector machine (SVM), and random forest classifiers (RFC), to predict readmission and death. We used the area under the receiver operating characteristic curve (AUC) from 10-fold crossvalidation for evaluation to compare sexes. Data were compared with model for end-stage liver disease (MELD) at discharge. RESULTS: We included 2,170 patients (57 ± 11 years, MELD 18 ± 7, 61% men, 79% White, and 8% Hispanic). The 30-day and 90-day readmission rates were 28% and 47%, respectively, and 13% died at 90 days. Prediction for 30-day readmission resulted in 0.60 AUC for all patients with RFC, 0.57 AUC with LR for women-only subpopulation, and 0.61 AUC with LR for men-only subpopulation. For 90-day readmission, the highest AUC was achieved with kernel SVM and RFC (AUC = 0.62). We observed higher predictive value when training models with only women (AUC = 0.68 LR) vs men (AUC = 0.62 kernel SVM). Prediction for death resulted in 0.67 AUC for all patients, 0.72 for women-only subpopulation, and 0.69 for men-only subpopulation, all with LR. MELD-Na model AUC was similar to those from the AI models. DISCUSSION: Despite using multiple AI techniques, it is difficult to predict 30- and 90-day readmissions and death in cirrhosis. AI model accuracies were equivalent to models generated using only MELD-Na scores. Additional biomarkers are needed to improve our predictive capability (See also the visual abstract at http://links.lww.com/AJG/B710).
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 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».