Predicting recurrent interventions after radiocephalic arteriovenous fistula creation with machine learning and the PREDICT-AVF web app
Notice bibliographique
Résumé
OBJECTIVE: Kidney Disease Outcomes Quality Initiative (KDOQI) guidelines discourage ongoing access salvage attempts after two interventions prior to successful use or more than three interventions per year overall. The goal was to develop a tool for prediction of radiocephalic arteriovenous fistula (AVF) intervention requirements to help guide shared decision-making about access appropriateness. METHODS: Prospective cohort study of 914 adult patients in the United States and Canada undergoing radiocephalic AVF creation at one of the 39 centers participating in the PATENCY-1 or -2 trials. Clinical data, including demographics, comorbidities, access history, anatomic features, and post-operative ultrasound measurements at 4-6 and 12 weeks were used to predict recurrent interventions required at 1 year postoperatively. Cox proportional hazards, random survival forest, pooled logistic, and elastic net recurrent event survival prediction models were built using a combination of baseline characteristics and post-operative ultrasound measurements. A web application was created, which generates patient-specific predictions contextualized with the KDOQI guidelines. RESULTS: Patients underwent an estimated 1.04 (95% CI 0.94-1.13) interventions in the first year. Mean (SD) age was 57 (13) years; 22% were female. Radiocephalic AVFs were created at the snuffbox (2%), wrist (74%), or proximal forearm (24%). Using baseline characteristics, the random survival forest model performed best, with an area under the receiver operating characteristic curve (AUROC) of 0.75 (95% CI 0.67-0.82) at 1 year. The addition of ultrasound information to baseline characteristics did not substantially improve performance; however, Cox models using either 4-6- or 12-week post-operative ultrasound information alone had the best discrimination performance, with AUROCs of 0.77 (0.70-0.85) and 0.76 (0.70-0.83) at 1 year. The interactive web application is deployed at https://predict-avf.com. CONCLUSIONS: The PREDICT-AVF web application can guide patient counseling and guideline-concordant shared decision-making as part of a patient-centered end-stage kidney disease life plan.
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 | 0,003 | 0,009 |
| 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 | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».