Applications of Machine Learning in Prognostication of Mild Traumatic Brain Injury
Notice bibliographique
Résumé
OBJECTIVE: The aim of the study is to review the literature regarding the current state and clinical applicability of machine learning models in prognosticating the outcomes of patients with mild traumatic brain injury in the early clinical presentation. DESIGN: Databases were searched for studies including machine learning and mild traumatic brain injury from inception to March 10, 2023. Included studies had a primary outcome of predicting post-mild traumatic brain injury prognosis or sequelae. The Prediction model study Risk of Bias for Predictive Models assessment tool was used for assessing the risk of bias and applicability of included studies. RESULTS: Out of 1235 articles, 10 met the inclusion criteria, including data from 127,929 patients. The most frequently used modeling techniques were support vector machine and artificial neural network and area under the curve ranged from 0.66 to 0.889. Despite promise, several limitations to studies exist such as low sample sizes, database restrictions, inconsistencies in patient presentation definitions, and lack of comparison to traditional clinical judgment or tools. CONCLUSIONS: Machine learning models show potential in early stage mild traumatic brain injury prognostication, but to achieve widespread adoption, future clinical studies prognosticating mild traumatic brain injury using machine learning need to reduce bias, provide clarity and consistency in defining patient populations targeted and validate against established benchmarks.
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 | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».