P.126 Prediction of cerebral vasospasm using radiographical and clinical features: a machine learning model
Notice bibliographique
Résumé
Background: Cerebral vasospasm is a feature of delayed cerebral ischemia that can occur after subarachnoid hemorrhage from cerebral aneurysm rupture. CTa is the universal first line diagnostic modality (sensitivity 79.6%, specificity 93.1%). We aim to determine whether specific vasospasm-associated radiographical and clinical features predicts cerebral vasospasm with comparable accuracy. Methods: Our cohort included 403 patients between 2006-2019. We used clinical predictive features including: day since rupture, transcranial doppler Lindegaard ratio, MCA velocity, ICA velocity, physical examination, and radiographical predictive features including: volume of hematoma, artifact, aneurysm, as our training dataset with true positives being digital subtraction angiography confirmed vasospasm. We used a decision-tree classifier from Scikit-learn library for training and testing of the model. Results: Our model trained on clinical and radiographical predictive features achieved sensitivity 93%, specificity 67%, F1 score 0.88. When using only radiographical features, we reached sensitivity 90%, specificity 55%, F1 score 0.83. When using only clinical features, we reach sensitivity 70%, specificity 93%, F1 score 0.87. Conclusions: We show that our vasospasm predictive model achieves adequate sensitivity, specificity, and F1 scores when compared to CTa. With further increase in dataset and fine-tuning of hyper-parameters, it is possible that our model may be used to optimize the vasospasm management pipeline.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».