Prescriptive analytics applied to brace treatment for AIS: a pilot demonstration
Notice bibliographique
Résumé
Prescriptive analytics is a concept which combines statistical and computer science underpinnings to prescribe an optimal course of action, based on predictions of possible future events. This concept was used to recommend optimal in-brace correction for scoliosis patients. Our objectives were to estimate the efficacy of these recommendations, and formulate improved brace design protocols. A fuzzy model (Chalmers et al, 2013) was developed using data from 90 AIS patients who had finished treatment (60 full-time braces and 30 nighttime. Rates of 6-degree-or-more progression were 53% for daytime braces and 30% for nighttime). The model used clinical measurements taken at the start of treatment to predict whether a given patient's deformity will progress during treatment. The model predicted individual patients' outcomes for a range of in-brace corrections. These predictions were used to recommend the patient's 'optimal' in-brace correction - the point of diminishing returns, where increasing correction no longer improved the predicted outcome. The efficacy of the recommendations was estimated using a technique called 'clinical trial simulation' (Chi et al, 2012). This technique uses a statistical model to predict progression rate under the model-recommended treatment, and compares it to the progression rate, observed retrospectively, under the actual treatment. Model-recommended corrections ranged from 20%-58% for daytime braces and 65%-130% for nighttime braces, roughly corresponding with previous literature. Interestingly, in 37% of cases the recommendation was less than the correction which had actually been applied, suggesting some opportunity for less aggressive (more comfortable) braces without compromising treatment outcome. The clinical trial simulation estimated 26% fewer progressive cases using the model-recommended in-brace correction, over the actual correction observed retrospectively in the charts. The patients whose correction decreased under the model's recommendation did not show an increased progression rate. Optimal correction may be less than the maximum achievable correction. The preliminary results suggest that considering model-generated recommendations during brace fitting could improve outcomes. Future work will expand the system to recommend wear-times as well as corrections, improving its clinical relevance. We hope this pilot demonstration will promote development of model-based decision support in scoliosis treatment, and prompt discussion on its efficacy and future role.
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 | 0,006 | 0,016 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».