P.136 Evaluating outcome prediction models in endovascular treatment for acute ischemic stroke using baseline, treatment and post-treatment variables
Notice bibliographique
Résumé
Background: Predicting outcomes after endovascular treatment (EVT) for acute ischemic stroke with baseline variables remains a challenge. We assessed the performance of stroke outcome prediction models for EVT in acute ischemic stroke in an iterative fashion using baseline, treatment-related and post-treatment variables. Methods: Data from the ESCAPE-NA1 trial were used to build 4 outcome prediction models using multi-variable logistic regression: Model 1 included baseline variables only that are available prior to treatment decision-making, model 2 included additional treatment-related variables, model 3 additional early post-treatment variables, and model 4 additional late post-treatment variables. The primary outcome was 90-day modified Rankin Scale score 0-2. Model performance was compared using the area under the curve (AUC). Results: Among 1,105 patients, good outcome was achieved by 666 (60.3%). When using baseline variables only (model 1), the AUC was 0.74 (95%CI:0.71-0.77); this iteratively improved when treatment and post-treatment variables were added to the models (model 2: AUC 0.77,95%CI: 0.74-0.80, model 3: AUC 0.80,95%CI:0.77-0.83, model 4: AUC 0.82, 95%CI:0.79-0.85). Conclusions: Predicting EVT outcomes using baseline variables alone is inaccurate in one in four patients, and may be inappropriate for patient selection. Even the most comprehensive models with treatment-related and post-treatment factors involve considerable uncertainty.
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 | 0,033 | 0,092 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».