Prediction of segmental motor outcomes in traumatic spinal cord injury: Advances beyond sum scores
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Neurological and functional recovery after traumatic spinal cord injury (SCI) is highly challenged by the level of the lesion and the high heterogeneity in severity (different degrees of in/complete SCI) and spinal cord syndromes (hemi-, ant-, central-, and posterior cord). So far outcome predictions in clinical trials are limited in targeting sum motor scores of the upper (UEMS) and lower limb (LEMS) while neglecting that the distribution of motor function is essential for functional outcomes. The development of data-driven prediction models of detailed segmental motor recovery for all spinal segments from the level of lesion towards the lowest motor segments will improve the design of rehabilitation programs and the sensitivity of clinical trials. METHODS: This study used acute-phase International Standards for Neurological Classification of SCI exams to forecast 6-month recovery of segmental motor scores as the primary evaluation endpoint. Secondary endpoints included severity grade improvement, independent walking, and self-care ability. Different similarity metrics were explored for k-nearest neighbor (kNN) matching within 1267 patients from the European Multicenter Study about Spinal Cord Injury before validation in 411 patients from the Sygen trial. The kNN performance was compared to linear and logistic regression models. RESULTS: = 0.92). We deploy the final historic control model as a web tool for easy user interaction (https://hicsci.ethz.ch/). DISCUSSION: Our approach is the first to provide predictions across all motor segments independent of the level and severity of SCI. We provide a machine learning concept that is highly interpretable, i.e. the prediction formation process is transparent, that has been validated across European and American data sets, and provides reliable and validated algorithms to incorporate external control data to increase sensitivity and feasibility of multinational clinical trials.
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 | 0,006 | 0,013 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».