692 A Machine Learning Approach to Predict the Postoperative Length of Stay After Coronary Artery Bypass Grafting Using Preoperative Characteristics
Notice bibliographique
Résumé
Abstract Aim Lengthy hospital length of stay (LOS) has a direct impact on healthcare costs. We aimed to design predictive models of prolonged LOS after coronary artery bypass grafting (CABG) with only preoperative characteristics and machine learning (ML) strategies. Method In a single centre retrospective analysis, 2,082 consecutive patients underwent first-time elective/urgent CABG: 1,262 has a short postoperative LOS (≤ 6 days) while the remaining 820 had a long LOS (> 6 days). 70/30 training/testing ratio and resampling methods were used, and cross-validation was conducted. Results The two groups differ significantly in terms of pre-operative variables: short LOS patients were younger (p < 0.01), more frequently male (p < 0.01) with lower BMI (p < 0.01) and better angina class (p < 0.01) and NYHA class (p < 0.01). Moreover, they had lower incidence of hypertension (p = 0.04), COPD (p < 0.01) and PVD (p < 0.01). The Logistic Euroscore was also better in this group (median 0.02 vs 0.03, p < 0.01). The predictive abilities of the ML models were as follows: logistic regression: Area under the Curve (AUC) = 0.71, accuracy = 0.69; Generalized additive model: AUC= 0.7, Accuracy = 0.68; Random Decision Forest: AUC = 0.7, Accuracy = 0.68; Naïve Bayes AUC = 0.63, Accuracy 0.58. Conclusions Developing a reliable predictive model with only pre-operative variables proved to be difficult, but several preoperative characteristics have a significant impact on the probability of prolonged LOS after CABG. Larger studies are needed to investigate the possibility of developing a reliable predictive model that would help to improve surgical planning.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».