Risk factor analysis and prediction model construction for surgical patients with venous thromboembolism: A prospective study
Notice bibliographique
Résumé
Abstract Objective: Patients undergoing surgery are at high risk of developing venous thromboembolism (VTE). This study aimed to determine the predictive value of risk factors for VTE in surgical patients and to develop a prediction model by integrating independent predictors. Methods: A total of 1111 patients who underwent surgery at clinical departments in a tertiary general hospital were recruited between May and July 2021. Clinical data, including patient-related, surgery-related, and laboratory parameters, were extracted from the hospital information system and electronic medical records. A VTE prediction model incorporating ten risk variables was constructed using artificial neural networks (ANNs). Results: Ten independent factors (X 1 : age, X 2 : alcohol consumption, X 3 : hypertension, X 4 : bleeding, X 5 : blood transfusions, X 6 : general anesthesia, X 7 : intrathecal anesthesia, X 8 : D-dimer, X 9 : C-reactive protein, and X 10 : lymphocyte percentage) were identified as associated with an increased risk of VTE. Ten-fold cross-validation results showed that the ANN model was capable of predicting VTE in surgical patients, with an area under the curve (AUC) of 0.89, a Brier score of 0.01, an accuracy of 0.96, and a F1 score of 0.92. The ANN model slightly outperformed the logistic regression model and the Caprini model, but a DeLong test showed that the statistical difference in the AUCs of the ANN and logistic regression models was insignificant ( P >0.05). Conclusion: Ten statistical indicators relevant to VTE risk prediction for surgical patients were identified, and ANN and logistic regression both showed promising results as decision-supporting tools for VTE prediction.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».