Introducing the Futile Recanalization Prediction Score (FRPS): A Novel Approach to Predict and Mitigate Ineffective Recanalization after Endovascular Treatment of Acute Ischemic Stroke
Notice bibliographique
Résumé
Objective: This study aims to develop and validate the Futile Recanalization Prediction Score (FRPS), a novel tool designed to predict the severity risk of FR and aid in pre- and post-EVT risk assessments. Methods: The FRPS was developed using a rigorous process involving the selection of predictor variables based on clinical relevance and potential impact. Initial equations were derived from previous meta-analyses and refined using various statistical techniques. We employed machine learning algorithms, specifically random forest regression, to capture nonlinear relationships and enhance model performance. Cross-validation with five folds was used to assess generalizability and model fit. Results: The final FRPS model included variables such as age, sex, atrial fibrillation (AF), hypertension (HTN), diabetes mellitus (DM), hyperlipidemia, cognitive impairment, pre-stroke modified Rankin Scale (mRS), systolic blood pressure (SBP), onset-to-puncture time, sICH, and NIHSS score. The random forest model achieved a mean R-squared value of approximately 0.992. Severity ranges for FRPS scores were defined as mild (FRPS < 66), moderate (FRPS 66–80), and severe (FRPS > 80). Conclusions: The FRPS provides valuable insights for treatment planning and patient management by predicting the severity risk of FR. This tool may improve the identification of candidates most likely to benefit from EVT and enhance prognostic accuracy post-EVT. Further clinical validation in diverse settings is warranted to assess its effectiveness and reliability.
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 | 0,000 | 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 | 0,000 |
| 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 ».