GR.7 Artificial intelligence-based decision support predicts requirement for neurosurgical intervention in acute traumatic brain injury
Notice bibliographique
Résumé
Background: We aimed to develop an efficient and reliable artificial intelligence solution to automate prediction of neurosurgical intervention using acute traumatic brain injury computed tomography (CT) scans. Methods: TBI patients were identified from 2005 - 2022 at a Level 1 Canadian trauma center. Model training, validation, and testing was performed using head CT scans with patient-level labels corresponding to whether the patient received neurosurgical intervention. The finalized model was then deployed in a simulated prospective fashion on all TBI patients presenting to our center over an 18-month epoch. Results: 2,806 TBI scans were utilized for development of the Automated Surgical Intervention Support Tool (ASIST-TBI). 612 additional consecutive scans were used for simulated prospective model deployment. Prediction of neurosurgical intervention exhibited an area under receiver operating curve (AUC) of 0.92, accuracy of 0.87, sensitivity of 0.87, and specificity of 0.88 on the test dataset. On simulated prospective data, the results were: AUC 0.89, sensitivity 0.85, specificity 0.84 and accuracy of 0.84. Conclusions: We demonstrate the development and validation of ASIST-TBI, a machine learning model that accurately predicts whether TBI patients will need neurosurgical intervention. This model has potential application to optimize decision support and province-wide efficiency of inter-facility TBI triage to tertiary care centers.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».