Classifying clinical phenotypes of functional recovery for acute traumatic spinal cord injury. An observational cohort study
Notice bibliographique
Résumé
PURPOSE: Identify patient subgroups with different functional outcomes after SCI and study the association between functional status and initial ISNCSCI components. METHODS: Using CART, we performed an observational cohort study on data from 675 patients enrolled in the Rick-Hansen Registry(RHSCIR) between 2014 and 2019. The outcome was the Spinal Cord Independence Measure (SCIM) and predictors included AIS, NLI, UEMS, LEMS, pinprick(PPSS), and light touch(LTSS) scores. A temporal validation was performed on data from 62 patients treated between 2020 and 2021 in one of the RHSCIR participating centers. RESULTS: The final CART resulted in four subgroups with increasing totSCIM according to PPSS, LEMS, and UEMS: 1)PPSS < 27(totSCIM = 28.4 ± 16.3); 2)PPSS ≥ 27, LEMS < 1.5, UEMS < 45(totSCIM = 39.5 ± 19.0); 3)PPSS ≥ 27, LEMS < 1.5, UEMS ≥ 45(totSCIM = 57.4 ± 13.8); 4)PPSS ≥ 27, LEMS ≥ 1.5(totSCIM = 66.3 ± 21.7). The validation model performed similarly to the original model. The adjusted R-squared and F-test were respectively 0.556 and 62.2(P-value <0.001) in the development cohort and, 0.520 and 31.9(P-value <0.001) in the validation cohort. CONCLUSION: Acknowledging the presence of four characteristic subgroups of patients with distinct phenotypes of functional recovery based on PPSS, LEMS, and UEMS could be used by clinicians early after tSCI to plan rehabilitation and establish realistic goals. An improved sensory function could be key for potentiating motor gains, as a PPSS ≥ 27 was a predictor of a good function.
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 | 0,007 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».