Reliability of Postoperative Free Flap Monitoring with a Novel Prediction Model Based on Supervised Machine Learning
Notice bibliographique
Résumé
BACKGROUND: Postoperative free flap monitoring is a critical part of reconstructive microsurgery. Postoperative clinical assessments rely heavily on specialty-trained staff. Therefore, in regions with limited specialist availability, the feasibility of performing microsurgery is restricted. This study aimed to apply artificial intelligence in postoperative free flap monitoring and validate the ability of machine learning in predicting and differentiating types of postoperative free flap circulation. METHODS: Postoperative data from 176 patients who received free flap surgery were prospectively collected, including free flap photographs and clinical evaluation measures. Flap circulation outcome variables included normal, arterial insufficiency, and venous insufficiency. The Synthetic Minority Oversampling Technique plus Tomek Links (SMOTE-Tomek) was applied for data balance. Data were divided into 80%:20% for model training and validation. Shapley Additive Explanations were used for prediction interpretations of the model. RESULTS: Of 805 total included flaps, 555 (69%) were normal, 97 (12%) had arterial insufficiency, and 153 (19%) had venous insufficiency. The most effective prediction model was developed based on random forest, with an accuracy of 98.4%. Temperature and color differences between the flap and the surrounding skin were the most significant contributing factors to predict a vascular compromised flap. CONCLUSIONS: This study demonstrated the reliability of a machine-learning model in differentiating various types of postoperative flap circulation. This novel technique may reduce the burden of free flap monitoring and encourage the broader use of reconstructive microsurgery in regions with a limited number of staff specialists.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».