Prediction of Worse Functional Status After Surgery for Degenerative Cervical Myelopathy: A Machine Learning Approach
Notice bibliographique
Résumé
BACKGROUND: Surgical decompression for degenerative cervical myelopathy (DCM) is one of the mainstays of treatment, with generally positive outcomes. However, some patients who undergo surgery for DCM continue to show functional decline. OBJECTIVE: To use machine learning (ML) algorithms to determine predictors of worsening functional status after surgical intervention for DCM. METHODS: This is a retrospective analysis of prospectively collected data. A total of 757 patients enrolled in 2 prospective AO Spine clinical studies, who underwent surgical decompression for DCM, were analyzed. The modified Japanese Orthopedic Association (mJOA) score, a marker of functional status, was obtained before and 1 yr postsurgery. The primary outcome measure was the dichotomized change in mJOA at 1 yr according to whether it was negative (worse functional status) or non-negative. After applying an 80:20 training-testing split of the dataset, we trained, optimized, and tested multiple ML algorithms to evaluate algorithm performance and determine predictors of worse mJOA at 1 yr. RESULTS: The highest-performing ML algorithm was a polynomial support vector machine. This model showed good calibration and discrimination on the testing data, with an area under the receiver operating characteristic curve of 0.834 (accuracy: 74.3%, sensitivity: 88.2%, specificity: 72.4%). Important predictors of functional decline at 1 yr included initial mJOA, male gender, duration of myelopathy, and the presence of comorbidities. CONCLUSION: The reasons for worse mJOA are frequently multifactorial (eg, adjacent segment degeneration, tandem lumbar stenosis, ongoing neuroinflammatory processes in the cord). This study successfully used ML to predict worse functional status after surgery for DCM and to determine associated predictors.
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) | 0,001 | 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 | 0,000 |
| 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 ».