Two Symptoms to Triage Acute Concussions
Notice bibliographique
Résumé
Objective The objective was to examine the 22 variables from the Sport Concussion Assessment Tool’s 5th Edition Symptom Evaluation using a decision tree analysis to identify those most likely to predict prolonged recovery after a sport-related concussion. Design A cross-sectional design was used in this study. A total of 273 patients (52% men; mean age, 21 ± 7.6 yrs) initially assessed by either an emergency medicine or sport medicine physician within 14 days of concussion (mean, 6 ± 4 days) were included. The 22 symptoms from the Sport Concussion Assessment Tool’s 5th Edition were included in a decision tree analysis performed using RStudio and the R package rpart. The decision tree was generated using a complexity parameter of 0.045, post hoc pruning was conducted with rpart, and the package carat was used to assess the final decision tree’s accuracy, sensitivity and specificity. Results Of the 22 variables, only 2 contributed toward the predictive splits: Feeling like “in a fog” and Sadness. The confusion matrix yielded a statistically significant accuracy of 0.7636 (P [accuracy > no information rate] = 0.00009678), sensitivity of 0.6429, specificity of 0.8889, positive predictive value of 0.8571, and negative predictive value of 0.7059. Conclusions Decision tree analysis yielded a statistically significant decision tree model that can be used clinically to identify patients at initial presentation who are at a higher risk of having prolonged symptoms lasting 28 days or more postconcussion.
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 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».