Machine learning-based models predict postoperative cardiovascular and neurological complications after pneumonectomy: A 10-year retrospective observational study
Notice bibliographique
Résumé
Abstract Background Reducing postoperative cardiovascular and neurological complications (PCNC) in thoracic surgery is key for improving postoperative survival. Therefore, we aimed to investigate the independent predictors of PCNC, develop machine learning models, and construct a predictive nomogram for PCNC in patients undergoing thoracic surgery for lung cancer. Methods This study used data from a previous retrospective study of 16,368 lung cancer patients with American Standards Association physical status I-IV who underwent surgery. Postoperative information was collected from electronic medical records; the optimal model was analyzed and filtered using multiple machine learning models (Logistic regression, eXtreme Gradient Boosting, Random Forest, Light Gradient Boosting Machine, and Naïve Bayes). The predictive nomogram was built, and the efficacy, accuracy, discriminatory power, and clinical validity were assessed using receiver operator characteristics, calibration curves, and decision curve analysis. Results Multivariate logistic regression analysis showed that age, duration of surgery, intraoperative intercostal nerve block, postoperative patient-controlled analgesia, bronchial blocker, and sufentanil were independent predictors of PCNC. Random forest was identified as the optimal model with an area under the curve of 0.898 in the training set and 0.752 in the validation set, confirming the excellent prediction accuracy of the nomogram. All the net benefits of five machine learning models in the training and validation sets demonstrated excellent clinical applicability, and calibration curves also showed good agreement between the predicted and observed risks. Conclusion The combination of machine learning models and nomograms may contribute to the early prediction and reduction of the incidence of PCNC.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».