E.4 Machine learning based patient classification to predict neurological deterioration in mild Degenerative Cervical Myelopathy
Notice bibliographique
Résumé
Background: Degenerative Cervical Myelopathy (DCM) is the functional derangement of the spinal cord because of compression from degenerate tissues. Typical neurological symptoms of DCM include gait imbalance and upper extremity paresthesia. While it is thought that greater spinal cord compression leads to increased neurological deterioration, our clinical experience suggests a more complex mechanism involving spinal canal diameter (SCD). Methods: 124 MRI scans from 59 non-operative DCM patients underwent manual scoring of cord compression and SCD measurements. Unsupervised machine learning dimensionality reduction techniques and k-means clustering were used to establish patient groups. These patient groups underwent manual inspection of common compression patterns and SCD similarities to define their unique risk criteria. Results: We found that compression pattern is unimportant at SCD extremes (≤14.5 mm or >15.75 mm). Otherwise, stenosis with clear signs of cord compression at two disc levels and stenosis without clear signs of cord compression at two disc levels result in a relatively higher and lower likelihood of deterioration, respectively. We elucidated five patient groups with unique associated risks for neurological deterioration, according to both SCD range and their cord compression pattern. Conclusions: The specific combination of narrow SCD with focal cord compression increases the likelihood of neurological deterioration in non-operative patients with DCM.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».