Predicting 30-Day Venous Thromboembolism Following Total Joint Arthroplasty: Adjusting for Trends in Annual Length of Stay
Notice bibliographique
Résumé
Background: Venous thromboembolism (VTE) following total hip arthroplasty and total knee arthroplasty (TKA) is linked to immobility, and preoperative prediction remains difficult. We aimed to evaluate whether annual mean length of stay (LOS) is associated with the incidence of VTE and develop a generalizable machine learning model to preoperatively predict the incidence of symptomatic VTE following total hip and TKA using National Surgical Quality Improvement Program. Methods: Annual incidence of 30-day postoperative VTE, deep vein thrombosis, and pulmonary embolism was calculated over 6 years and tested for trend. Correlation between annual VTE rates and mean LOS was calculated. Predictive models (logistic regression, random forest, and XGBoost) were trained and tested based on year of surgery with different oversampling algorithms used to address data imbalance. Results: < .001). There was a strong correlation between the yearly incidence of VTE, pulmonary embolism, and deep vein thrombosis and mean LOS (r = 0.96, 0.87, and 0.98, respectively). Univariate analysis demonstrated that TKA, inpatient setting, American Society of Anesthesiologists classification, and various patient comorbidities were significantly associated with VTE. The logistic regression model trained on all data with a balanced loss scoring function performed the best (area under the curve = 0.600). Conclusions: This study revealed declining VTE rates strongly correlated to decreasing postoperative LOS and identified patient and surgery-specific factors associated with VTE risk. Development of more accurate machine learning models for VTE prediction may improve risk stratification, prevention, and monitoring for arthroplasty patients.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».