Machine Learning to Predict the Need for Postmastectomy Radiotherapy after Immediate Breast Reconstruction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Post mastectomy radiotherapy (PMRT) is an independent predictor of reconstructive complications. PMRT may alter the timing and type of reconstruction recommended. This study aimed to create a machine learning model to predict the probability of requiring PMRT after immediate breast reconstruction (IBR). Methods: In this retrospective study, breast cancer patients who underwent IBR from January 2017 to December 2020 were reviewed and data were collected on 81 preoperative characteristics. Primary outcome was recommendation for PMRT. Four algorithms were compared to maximize performance and clinical utility: logistic regression, elastic net (EN), logistic lasso, and random forest (RF). The cohort was split into a development dataset (75% of cohort for training-validation) and 25% used for the test set. Model performance was evaluated using area under the receiver operating characteristic curve (AUC), precision-recall curves, and calibration plots. Results: In a total of 800 patients, 325 (40.6%) patients were recommended to undergo PMRT. With the training-validation dataset (n = 600), model performance was logistic regression 0.73 AUC [95% confidence interval (CI) 0.65-0.80]; RF 0.77 AUC (95% CI, 0.74-0.81); EN 0.77 AUC (95% CI, 0.73-0.81); logistic lasso 0.76 AUC (95% CI, 0.72-0.80). Without significantly sacrificing performance, 81 predictive factors were reduced to 12 for prediction with the EN method. With the test dataset (n = 200), performance of the EN prediction model was confirmed [0.794 AUC (95% CI, 0.730-0.858)]. Conclusion: A parsimonious accurate machine learning model for predicting PMRT after IBR was developed, tested, and translated into a clinically applicable online calculator for providers and patients.
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.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle