Predictors of 30-Day Mortality Using Machine Learning Approach following Carotid Endarterectomy: An Insight from National Surgical Quality Database.
Notice bibliographique
Résumé
Abstract BACKGROUND Pre-operative prognostication of 30-day mortality in patients with carotid endarterectomy (CEA) can optimize surgical risk stratification and guide the decision-making process to improve survival. To develop and validate a set of predictive variables of 30-day mortality following CEA. METHODS The patient cohort was identified from the American College of Surgeons National Surgical Quality Improvement Program (2005–2016). We performed logistic regression (enter, stepwise and forward) and least absolute shrinkage and selection operator (LASSO) method for selection of variables, which resulted in 28-candidate models. The final model was selected based upon clinical knowledge and numerical results. RESULTS Statistical analysis included 65,807 patients with 30-day mortality in 0.7% (n = 466) patients. The median age of our cohort was 71.0 years (range, 16–89 years). The model with 9-predictive factors which included: age, body mass index, functional health status, American society of anesthesiologist grade, chronic obstructive pulmonary disorder, preoperative serum albumin, preoperative hematocrit, preoperative serum creatinine and preoperative platelet count—performed best on discrimination, calibration, Brier score and decision analysis to develop a machine learning algorithm. Logistic regression showed higher AUCs than LASSO across these different models. The predictive probability derived from the best model was converted into an open-accessible scoring system. CONCLUSION Machine learning algorithms show promising results for predicting 30-day mortality following CEA. These algorithms can be useful aids for counseling patients, assessing pre-operative medical risks, and predicting survival after surgery.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».