Prediction model of laparoendoscopic single-site surgery in gynecology using machine learning algorithm.
Notice bibliographique
Résumé
INTRODUCTION: Minimally invasive surgery has been widely used in gynecology. The laparoendoscopic single-site surgery (LESS) risk prediction model can provide evidence-based references for preoperative surgical procedure selection. AIM: To determine whether the patients are suitable for LESS and to provide guidance for the clinical operation plan, we aimed to compare the clinical outcomes of LESS and conventional laparoscopic surgery (CLS) in gynecology. We constructed a LESS risk prediction model and predicted surgical conditions for the preoperative evaluation system. MATERIAL AND METHODS: A retrospective analysis was carried out among patients undergoing LESS (n = 1019) and CLS (n = 1055). Various clinical indicators were compared. Multiple machine model algorithms were evaluated. The optimal results were chosen as the model to form the risk prediction model. RESULTS: The LESS group showed advantages in the postoperative 12/24 h visual analog scale and Vancouver scar score compared with the CLS group (p < 0.05). The comparisons in other clinical indicators between the two groups showed that each group had advantages and the difference was statistically significant (p < 0.05), including operative time, estimated blood loss, and hospital stay. We evaluated the predictive value for various models using AUC values of 0.77, 0.77, 0.76, and 0.67 for XGBoost, random forest, GBDT, and logistic regression, respectively. The decision tree model was shown to be the optimal model. CONCLUSIONS: LESS can reduce postoperative pain, shorten hospital stay and make scars acceptable. The risk prediction model based on a machine learning algorithm has manifested a high degree of accuracy and can satisfy the doctors' demand for individualized preoperative evaluation and surgical safety in LESS.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».