Predictive Algorithm for Surgery Recommendation in Thoracolumbar Burst Fractures Without Neurological Deficits
Notice bibliographique
Résumé
STUDY DESIGN: Predictive algorithm via decision tree. OBJECTIVES: Artificial intelligence (AI) remain an emerging field and have not previously been used to guide therapeutic decision making in thoracolumbar burst fractures. Building such models may reduce the variability in treatment recommendations. The goal of this study was to build a mathematical prediction rule based upon radiographic variables to guide treatment decisions. METHODS: Twenty-two surgeons from the AO Knowledge Forum Trauma reviewed 183 cases from the Spine TL A3/A4 prospective study (classification, degree of certainty of posterior ligamentous complex (PLC) injury, use of M1 modifier, degree of comminution, treatment recommendation). Reviewers' regions were classified as Europe, North/South America and Asia. Classification and regression trees were used to create models that would predict the treatment recommendation based upon radiographic variables. We applied the decision tree model which accounts for the possibility of non-normal distributions of data. Cross-validation technique as used to validate the multivariable analyses. RESULTS: The accuracy of the model was excellent at 82.4%. Variables included in the algorithm were certainty of PLC injury (%), degree of comminution (%), the use of M1 modifier and geographical regions. The algorithm showed that if a patient has a certainty of PLC injury over 57.5%, then there is a 97.0% chance of receiving surgery. If certainty of PLC injury was low and comminution was above 37.5%, a patient had 74.2% chance of receiving surgery in Europe and Asia vs 22.7% chance in North/South America. Throughout the algorithm, the use of the M1 modifier increased the probability of receiving surgery by 21.4% on average. CONCLUSION: This study presents a predictive analytic algorithm to guide decision-making in the treatment of thoracolumbar burst fractures without neurological deficits. PLC injury assessment over 57.5% was highly predictive of receiving surgery (97.0%). A high degree of comminution resulted in a higher chance of receiving surgery in Europe or Asia vs North/South America. Future studies could include clinical and other variables to enhance predictive ability or use machine learning for outcomes prediction in thoracolumbar burst fractures.
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) | 0,000 | 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 | 0,001 |
| 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 ».