Prediction of complications in spine surgery using machine learning: a Health 4.0 study on National Surgical Quality Improvement Program beyond logistic regression model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With the advancement of the revolutionary artificial intelligence (AI) technologies, health-care services are rapidly moving toward an intelligent cyber physical system referred to as Health 4.0. In essence, the ability to predict surgical complications is all-important for both surgeons and patients. Recently, the use of machine learning (ML) algorithms for predicting complications has gained much attention. Even though many mature and reliable algorithms exist in the field of ML, the logistic regression (LR) algorithm has been the most widely used in complication prediction. In this study, we used the American College of Surgeons National Surgical Quality Improvement Program (ACS-NSQIP) database to compare the performance of LR to other ML algorithms for predicting complications during spine surgery. The database included 177 681 patients who underwent spine surgery. The occurrence of intraoperative morbidity was relatively low (9.4 per cent) in comparison to the total number of the dataset population, and hence, the dataset under study was considered imbalanced. To thoroughly evaluate and compare the proposed ML algorithms, the dataset was balanced and the algorithms were applied on both the balanced and imbalanced dataset. The results indicated that, in general, no significant difference was found between the performance of LR and random forest (RF), boosted tree (BT), and decision tree (DT).
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 découle