Abstract WP167: Machine Learning Modelling To Predict 90 Day Home Time In Patients Undergoing Endovascular Thrombectomy
Notice bibliographique
Résumé
Background: 90-day home-time, the number of days a patient is back at their premorbid living situation without an increase in level of care in the first 90 days post stroke, is routinely collected in administrative data. We evaluated the prediction of 90-day home-time using machine learning modelling in patients undergoing endovascular treatment (EVT). Methods: We used the QuICR provincial stroke registry and administrative data from Southern Alberta from Jan 2015-Dec 2019 to identify patients who underwent EVT. Imaging data were scored by 2-physician consensus. The primary outcome was 90 day home-time, which has a highly non-normal distribution with excess zero’s. We modelled using generalized boosting machine model with Gaussian distribution. Contribution of different covariates to hometime was determined using partial dependence plots. Results: We identified 659 EVT patients from Jan 2015 to Dec 2019 treated in Calgary, Alberta. Overall,median predicted 90d home-time was 41days (IQR 5.5 to 77.8) with good model accuracy (Root mean square error 6.96). Holding other covariates constant, factors predicting lower 90d-hometime were diabetes mellitus(-14.1d), hypertension (-7d), low baseline ASPECTS (≤5) (-5.6d) and symptomatic intracerebral hemorrhage (sICH) on follow up scan (-13.8d). There was a consistent improvement in the predicted home-time over the last 5 years. There was no meaningful difference in predicted 90d-home-time by age, baseline NIHSS, sex, atrial fibrillation, occlusion site, tandem occlusion, thrombolysis, or successful reperfusion (Figure 1) Conclusions: Predicting 90-d hometime using boosting machine learning modelling is useful to assess complex relationships between predictors and home-time. Hypertension, diabetes, low ASPECTS and sICH were predictors of lower 90-d home-time in this registry.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,003 | 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 ».