Developing a novel prediction model in opioid overdose using machine learning; a pilot analytical study
Notice bibliographique
Résumé
Background and Aims: The opioid epidemic has extended to many countries. Data regarding the accuracy of conventional prediction models including the Simplified Acute Physiologic Score (SAPS) II and acute physiology and chronic health evaluation (APACHE) II are scarce in opioid overdose cases. We evaluate the efficacy of adding quantitative electroencephalogram (qEEG) data to clinical and paraclinical data in the prediction of opioid overdose mortality using machine learning. Methods: In a prospective study, we collected clinical/paraclinical, and qEEG data of 32 opioid-poisoned patients. After preprocessing and Fast Fourier Transform analysis, absolute power was computed. Also, SAPS II was calculated. Eventually, data analysis was performed using SAPS II as a benchmark at three levels to predict the patient's course in comparison with SAPS II. First, the qEEG data set was used alone, secondly, the combination of the clinical/paraclinical, SAPS II, qEEG datasets, and the SAPS II-based model was included in the pool of classifier models. Results: Seven out of 32 (22%) died. SAPS II (cut-off of 50.5) had a sensitivity/specificity/positive/negative predictive values of 85.7%, 84.0%, 60.0%, and 95.5% in predicting mortality, respectively. Adding majority voting on random forest with qEEG and clinical data, improved the model sensitivity, specificity, and positive and negative predictive values to 71.4%, 96%, 83.3%, and 92.3% (not significant). The model fusion level has 40% less prediction error. Conclusion: Considering the higher specificity and negative predictive value in our proposed model, it could predict survival much better than mortality. The model would constitute an indicator for better care of opioid poisoned patients in low resources settings, where intensive care unit beds are limited.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 ».