224 Artificial Intelligence-based Decision Support Predicts Requirement for Neurosurgical Intervention in Acute Traumatic Brain Injury: Automated Surgical Intervention Support Tool (ASIST-TBI) Development, Validation and Simulated Prospective Deployment
Notice bibliographique
Résumé
INTRODUCTION: Artificial intelligence (AI) model integration into clinical workflow offers potential to optimize decision-support for transfer of acute traumatic brain injury (TBI) patients to appropriate trauma centers. METHODS: We retrospectively identified TBI patients from 2005-2021 treated at a quaternary Canadian trauma center. We employed various modeling techniques including principal component analysis, three-dimensional convolutional neural networks, and a transformer-based approach using Vision Transformer (ViT) architecture. Model training, validation, and testing was performed using head CT scans with binary ground truth labels corresponding to whether the patient received neurosurgical intervention witin 72 hours. The finalized model, termed Automated Surgical Intervention Support Tool for TBI (ASIST-TBI), was then deployed in a simulated prospective fashion on consecutive TBI patients at our center between March 2021 - September 2022. RESULTS: A dataset of 2,806 trauma patients with acute head CT scans were divided into training, validation, and testing groups; the ViT model exhibited optimal performance. There was accurate prediction of requirement for neurosurgical intervention with an area under the receiver operating curve (AUC) of 0·92, accuracy of 0·87, sensitivity of 0·87, and specificity of 0·88 on the testing cohort. In simulated 18-month prospective deployment, an additional 612 consecutive scans were used to assess the performance of ASIST-TBI. Classification accuracy remained robust with AUC of 0·89, 0·85 sensitivity, 0·84 specificity, and 0·84 accuracy. We manually reviewed false positive and false negative cases to identify reasons for misclassification. CONCLUSIONS: We developed a novel deep learning model that accurately predicts requirement for acute neurosurgical intervention using unlabeled TBI scans. ASIST-TBI has potential application to optimize state-wide triage efficiency and care pathways for brain-injured 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.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».