Predicting Persistent Opioid Use after Hand Surgery: A Machine Learning Approach
Notice bibliographique
Résumé
BACKGROUND: The aim of this study was to evaluate the use of machine learning to predict persistent opioid use after hand surgery. METHODS: The authors trained 2 algorithms to predict persistent opioid use, first using a general surgery data set and then using a hand surgery data set, resulting in 4 trained models. Next, the authors tested each model's performance using hand surgery data. Participants included adult surgery patients enrolled in a cohort study at an academic center from 2015 to 2018. The first algorithm (Michigan Genomics Initiative model) was designed to accommodate patient-reported data and patients with or without prior opioid use. The second algorithm (claims model) was designed for insurance claims data from patients who were opioid-naive only. The main outcome was model discrimination, measured by area under the receiver operating curve (AUC). RESULTS: Of 889 hand surgery patients, 49% were opioid-naive and 21% developed persistent opioid use. Most patients underwent soft-tissue procedures (55%) or fracture repair (20%). The Michigan Genomics Initiative model had AUCs of 0.84 when trained only on hand surgery data, and 0.85 when trained on the full cohort of surgery patients. The claims model had AUCs of 0.69 when trained only on hand surgery data, and 0.52 when trained on the opioid-naive cohort of surgery patients. CONCLUSIONS: Opioid use is common after hand surgery. Machine learning has the potential to facilitate identification of patients who are at risk for prolonged opioid use, which can promote early interventions to prevent addiction.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 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 ».