A Prediction Model for Primary Anterior Cruciate Ligament Injury Using Artificial Intelligence
Notice bibliographique
Résumé
BACKGROUND: Supervised machine learning models in artificial intelligence (AI) have been increasingly used to predict different types of events. However, their use in orthopaedic surgery has been limited. HYPOTHESIS: It was hypothesized that supervised learning techniques could be used to build a mathematical model to predict primary anterior cruciate ligament (ACL) injuries using a set of morphological features of the knee. STUDY DESIGN: Cross-sectional study; Level of evidence, 3. METHODS: Included were 50 adults who had undergone primary ACL reconstruction between 2008 and 2015. All patients were between 18 and 40 years of age at the time of surgery. Patients with a previous ACL injury, multiligament knee injury, previous ACL reconstruction, history of ACL revision surgery, complete meniscectomy, infection, missing data, and associated fracture were excluded. We also identified 50 sex-matched controls who had not sustained an ACL injury. For all participants, we used the preoperative magnetic resonance images to measure the anteroposterior lengths of the medial and lateral tibial plateaus as well as the lateral and medial bone slope (LBS and MBS), lateral and medial meniscal height (LMH and MMH), and lateral and medial meniscal slope (LMS and MMS). The AI predictor was created using Matlab R2019b. A Gaussian naïve Bayes model was selected to create the predictor. RESULTS: = .001). The AI model selected LBS and MBS as the best possible predictive combination, achieving 70% validation accuracy and 92% testing accuracy. CONCLUSION: A prediction model for primary ACL injury, created using machine learning techniques, achieved a >90% testing accuracy. Compared with patients who did not sustain an ACL injury, patients with torn ACLs had an increased posterior LBS and LMS and a lower MMH and LMH.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».