The Hydronephrosis Severity Index guides paediatric antenatal hydronephrosis management based on artificial intelligence applied to ultrasound images alone
Notice bibliographique
Résumé
Antenatal hydronephrosis (HN) impacts up to 5% of pregnancies and requires close, frequent follow-up monitoring to determine who may benefit from surgical intervention. To create an automated HN Severity Index (HSI) that helps guide clinical decision-making directly from renal ultrasound images. We applied a deep learning model to paediatric renal ultrasound images to predict the need for surgical intervention based on the HSI. The model was developed and studied at four large quaternary free-standing paediatric hospitals in North America. We evaluated the degree to which HSI corresponded with surgical intervention at each hospital using area under the receiver-operator curve, area under the precision-recall curve, sensitivity, and specificity. HSI predicted subsequent surgical intervention with > 90% AUROC, > 90% sensitivity, and > 70% specificity in a test set of 202 patients from the same institution. At three external institutions, HSI corresponded with AUROCs ≥ 90%, sensitivities ≥ 80%, and specificities > 50%. It is possible to automatically and reliably assess HN severity directly from a single ultrasound. The HSI stratifies low- and high-risk HN patients thus helping to triage low-risk patients while maintaining very high sensitivity to surgical cases. HN severity can be predicted from a single patient ultrasound using a novel image-based artificial intelligence system.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 | 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 ».