Abstract 177: Predictors Of All-cause Mortality In Young Onset Stroke: An Artificial Neural Network Analysis Using A Nationwide Cohort
Notice bibliographique
Résumé
Background: It is crucial for providers to screen high risk patients with limited data being available on young onset stroke (YOS). We aimed to determine predictors of all-cause mortality in this population using the Artificial Neural Network (ANN) model in a national cohort. Methods: We identified young adult (18-44 yrs) YOS hospitalizations from the National Inpatient Sample (2018). ANN’s predictive factors were selected for all-cause mortality. YOS admissions were randomly split between training (70%) & testing datasets (30%). Training data was used to calibrate ANN while testing data was used to evaluate accuracy of the algorithm. We compared the frequency of incorrect prediction between training and testing data and measured area under the Receiver Operating Curve (AUC) to determine ANN’s efficacy in predicting in-hospital mortality in YOS. Results: The 2018 YOS cohort consisted of 39,040 admissions with a mean age of 36 ± 6 years (50.1% male, 51.1% white, 26.2% black, 15.5% Hispanic, 3.2% Asian or Pacific islanders) patients). The all-cause-in-hospital mortality was 5.3%. Training data showed an improved lower predictions in testing model vs testing (5.0% vs 5.2% error rate) , thereby depicting better accuracy. Normalized predictors are displayed in Figure 1a. The AUC was 0.82 (Fig 1b) which shows an excellent ANN model for inpatient mortality in YOS patients. Conclusion: The ANN model successfully revealed the order of prevalent predictors for all-cause mortality that can eventually be utilized to improve survival in high-risk patients.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».