Machine learning to predict myocardial injury and death after non‐cardiac surgery
Notice bibliographique
Résumé
Myocardial injury due to ischaemia within 30 days of non-cardiac surgery is prognostically relevant. We aimed to determine the discrimination, calibration, accuracy, sensitivity and specificity of single-layer and multiple-layer neural networks for myocardial injury and death within 30 postoperative days. We analysed data from 24,589 participants in the Vascular Events in Non-cardiac Surgery Patients Cohort Evaluation study. Validation was performed on a randomly selected subset of the study population. Discrimination for myocardial injury by single-layer vs. multiple-layer models generated areas (95%CI) under the receiver operating characteristic curve of: 0.70 (0.69-0.72) vs. 0.71 (0.70-0.73) with variables available before surgical referral, p < 0.001; 0.73 (0.72-0.75) vs. 0.75 (0.74-0.76) with additional variables available on admission, but before surgery, p < 0.001; and 0.76 (0.75-0.77) vs. 0.77 (0.76-0.78) with the addition of subsequent variables, p < 0.001. Discrimination for death by single-layer vs. multiple-layer models generated areas (95%CI) under the receiver operating characteristic curve of: 0.71 (0.66-0.76) vs. 0.74 (0.71-0.77) with variables available before surgical referral, p = 0.04; 0.78 (0.73-0.82) vs. 0.83 (0.79-0.86) with additional variables available on admission but before surgery, p = 0.01; and 0.87 (0.83-0.89) vs. 0.87 (0.85-0.90) with the addition of subsequent variables, p = 0.52. The accuracy of the multiple-layer model for myocardial injury and death with all variables was 70% and 89%, respectively.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».