Traumatic Brain Injury Rehabilitation Outcome Prediction Using Machine Learning Methods
Notice bibliographique
Résumé
Objective: To investigate the performance of machine learning (ML) methods for predicting outcomes from inpatient rehabilitation for subjects with TBI using a dataset with a large number of predictor variables. Our second objective was to identify top predictive features selected by the ML models for each outcome and to validate the interpretability of the models. Design: Secondary analysis using computational modeling of relationships between patients, injury and treatment activities and 6 outcomes, applied to the large multi-site, prospective, longitudinal observational dataset collected during the traumatic brain injury inpatient rehabilitation study. Setting: Acute inpatient rehabilitation. Participants: 1946 patients aged 14 years or older, who sustained a severe, moderate, or complicated mild TBI, and were admitted to 1 of 9 US inpatient rehabilitation sites between 2008 and 2011 (N=1946). Main Outcome Measures: Rehabilitation length of stay, discharge to home, FIM cognitive and FIM motor at discharge and at 9-months post discharge. Results: Advanced ML models, specifically gradient boosting tree model, performed consistently better than all other models, including classical linear regression models. Top ranked predictive features were identified for each of the 6 outcome variables. Level of effort, days to rehabilitation admission, age at rehabilitation admission, and advanced mobility activities were the most frequently top ranked predictive features. The highest-ranking predictive feature differed across the specific outcome variable. Conclusions: Identifying patient, injury, and rehabilitation treatment variables that are predictive of better outcomes will contribute to cost-effective care delivery and guide evidence-based clinical practice. ML methods can contribute to these efforts.
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 | 0,015 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».