Use of artificial neural networks in the management of antenatally diagnosed ureteropelvic junction obstruction
Notice bibliographique
Résumé
Background: In this study, an artificial neural network (ANN) basedsystem has been developed specifically to help in the managementof antenatally diagnosed uretero-pelvic junction (UPJ) obstruction.Methods: A total of 53 infants with antenatally detected hydronephrosiscaused by UPJ obstruction were included in this study. Aneural network was developed with the help of a commerciallyavailable software package. The patients’ age and sex, renal pelvicdiameter, laterality, split renal function and presence of renal scaron radionuclide scan, follow-up times, urine culture results andthe presence of symptomatic infections were used as variables.These data were also entered into a statistical software packageand linear regression analysis was done.Results: During the follow-up period, 36 children were observed,and the remaining 17 renal units underwent pyeloplasty. The averagesensitivity of the ANN model in predicting the outcome wasfound to be 92% in the training group and 75% in the validationand test groups. In linear regression, none of the predictors werefound to be statistically significant.Interpretation: In this study, we have demonstrated that the useof ANNs in antenatally diagnosed UPJ obstruction can help theclinician in making treatment decisions, and thus can be useful indaily clinical practice.Contexte : Dans cette étude, un système fondé sur un réseau deneurones artificiels a été mis au point précisément pour aider à laprise en charge d’une obstruction de la jonction urétéropelviennediagnostiquée pendant la période anténatale.Méthodologie : Au total, 53 enfants atteints d’hydronéphrosedécelée avant la naissance et causée par l’obstruction de la jonctionurétéropelvienne ont été inclus dans cette étude. Un réseau deneurones a été élaboré à l’aide d’un logiciel offert sur le marché.L’âge et le sexe du patient, le diamètre du bassinet du rein, lalatéralité, une fonction rénale séparée et la présence de cicatricesrénales observables par scintigraphie par balayage, la durée dela période de suivi, les résultats d’analyses d’urine et la présenced’infections symptomatiques ont été utilisés comme variables. Cesdonnées ont également été saisies dans un progiciel statistique etont servi à une analyse de régression linéaire.Résultats : Au cours de la période de suivi, 36 enfants ont étéplacés en observation, et on a procédé à une pyéloplastie dans les17 autres cas. La sensibilité moyenne du modèle pour la prédictionde l’issue a été évaluée à 92 % dans le groupe de formation et à75 % dans les groupes de validation et de test. Dans l’analyse derégression linéaire, aucun des facteurs de prédiction n’a été jugésignificatif sur le plan statistique.Interprétation : Dans cette étude, nous avons montré que l’utilisationd’un réseau de neurones artificiels en présence d’obstruction de lajonction urétéropelvienne diagnostiquée avant la naissance peutaider le clinicien à prendre des décisions thérapeutiques, et peutdonc être utile dans la pratique clinique quotidienne.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».