Fuzzy Logic-Based Model to Stratify Cardiac Surgery Risk
Notice bibliographique
Résumé
Background: Medical practice is usually performed in a context of uncertainty, where expert knowledge has shown to be efficient in the decision-making process. Objective: The aim of this study was to develop and validate a fuzzy logic-based model to predict cardiac surgery mortality risk. Methods: Four hundred and fifty patients undergoing cardiac surgery were prospectively included in the study and mortality risk was predicted based on five scores: 1) “clinical expert” opinion, 2) fuzzy logic-based system according to expert knowledge, 3) Parsonnet, 4) Ontario and 5) EuroSCORE. The fuzzy logic model was developed in the following stages: expert selection of different mortality predictive variables, tables of influence among variables, construction of a fuzzy cognitive map (FCM) and its implementation in an artificial neuronal network, expert-determined patient risk score, test set risk calculation based on fuzzy predictors, validation set risk using calibrated FCM, and comparison with the other scores according to the level of agreement and precision with ROC curves. Results: The calibrated model was used to predict the outcome of the validation set (360 patients), based on the FCM score and risk predicted by Parsonnet, Ontario and EuroSCORE. The ROC areas showed that FCM had at least the same performance as other scores to predict mortality (ROC=0.793 vs. 0.775, 0.767, 0.741 and 0.701 for EuroSCORE, “expert”, Ontario and Parsonnet, respectively). Conclusions: A fuzzy logic-based system employing expert knowledge and the implementation of an expert system is postulated to predict cardiac surgery mortality risk. The model not only mimicked the outcomes obtained by the “expert”, but had the same performance as others risk scores.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».