A machine learning model to predict the need for conversion of operative approach in patients undergoing colectomy for neoplasm
Notice bibliographique
Résumé
BACKGROUND: Studies comparing conversion from laparoscopic to open approaches to colectomy have found an association between conversion and morbidity, mortality, and length of stay, suggesting that certain patients may benefit from an open approach "up-front." AIM: The objective of this study was to use machine learning algorithms to develop a model enabling the prediction of which patients are likely to require conversion. METHODS AND RESULTS: We used ACS NSQIP data to identify patients undergoing colectomy (2014-2019). We included patients undergoing elective colectomy for colorectal neoplasm via a minimally invasive approach or a converted approach. The outcome of interest was conversion. Variables were included in the model based on their correlation with conversion by logistic regression (p < .05). Two models were used: weighted logistic regression with regularization, and Random Forest classifier. The data was randomly split into training (70%) and test (30%) cohorts, and prediction performance was calculated. 24 327 cases were included (17 028 training, 7299 test). When applied to the test cohort, the models had an accuracy of 0.675 (range 0.65-0.70) in predicting conversion; c-index ranged from 0.62-0.63. This machine learning model achieved a moderate area under the curve and a high negative predictive value, but a low positive predictive value; therefore, this model can predict (with 95% accuracy) whether a colectomy for neoplasm can be successfully completed using a minimally invasive approach. CONCLUSION: This model can be used to reassure surgeons of the appropriateness of a minimally invasive approach when planning for an elective colectomy.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».