17th Annual Meeting, Neurocritical Care Society, October 15–18, 2019, Vancouver, Canada
Notice bibliographique
Résumé
MethodsThis is a single-center study of patients admitted to a tertiary care center.ML models and SM were trained to predict DCI and functional outcomes with data collected <3 days of admission.DCI status was recorded and functional outcomes at discharge and at 3-months were quantified using the modified Rankin scale (mRS) for neurological disability (dic Concurrently, clinicians prospectively prognosticated 3-month outcomes of patients within 3 days of admission.The performance of ML, SM and clinicians are compared. Results451 subjects were included in the study.DCI status, discharge, and 3-month outcomes were available for 399, 393 and 240 subjects respectively.Prospective clinician (an attending, a fellow and a nurse) prognostication of 3-month outcomes was available for 90 subjects.ML models yielded accurate predictions with the following AUC (area under the receiver operating curve) scores: 0.75 ± 0.07 (95% CI: 0.64 to 0.84) for DCI, 0.85 ± 0.05 (95% CI: 0.75 to 0.92) for discharge outcome, and 0.89 ± 0.03 (95% CI: 0.81 to 0.94) for 3-month outcome.The best ML models performed better than the SMs, improving the AUC by 0.20 (95% CI: -0.02-0.4) for DCI, by 0•07 ± 0.03 (95% CI: -0.0018-0.14)for discharge outcomes, and by 0.14 (95% CI: 0.03 -0.24) for 3-month outcomes and matched physician's performance in predicting 3-month outcomes. ConclusionsML outperform SMs in predicting DCI and match attending physician in predicting 3-month outcomes.ML models has potential to help improve outcomes after SAH.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,326 | 0,143 |
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 ».