Evaluating XGBoost’s predictive accuracy on surgical site Infections in cardiac surgery
Notice bibliographique
Résumé
Abstract Background Surgical site infections (SSIs) pose a significant threat in cardiac surgery (CS), profoundly impacting patient prognosis. SSI incidence varies widely, reported between 3.5% and 26.8%. The study used a decade-long dataset from SSI surveillance in a specialized hospital in Italy, applying machine learning (ML) techniques to predict the SSI incidence among CS patients. Methods Data collected from 2013-2023 through the surveillance system of SSI in patients undergoing CS were used to train a predictive ML algorithm (XGBoost). Data included information on demographics, risk factors, surgery variables (incision site, prophylaxis, etc.), and the infection outcome derived from follow-up interviews at 30 days post-surgery, or 90 days for patients with prosthetic materials, according to the ECDC case definition of SSI. We used the R libraries “caret”, “smotefamily” and “xgboost” to train the algorithm. A train-test split of 70-30 was applied. Both downsampling of the majority class (no SSI) and oversampling of SSI cases with SMOTE were used in the training set to address class imbalance. Results A total of 10,534 subjects (65.9% males, mean age 68.3 years) who underwent CS (64.3% with prosthetic materials) were included, among which 533 SSIs were identified (mean incidence of 5.06%), with 430 cases (80.7%) occurring after discharge (38.7% deep SSI) and 103 (19.3%) before discharge (55.5% deep SSI). The trained XGBoost algorithm achieved an AUC of 0.62, sensitivity of 69%, and specificity of 50% in the prediction of SSI on the test dataset. Conclusions These findings suggest that while the XGBoost model provides a fair predictive capability, there is significant room for improvement in sensitivity and specificity. The use of artificial intelligence offers a promising opportunity to identify patients at risk of SSI. However, further research and comprehensive data are needed to refine the predictive model and effectively improve prevention measures. Key messages • Predominantly occurring post-discharge, SSIs in cardiac surgery necessitate enhanced prevention strategies, highlighting the critical phase after hospital discharge where surveillance is paramount. • Artificial intelligence may enhance post-discharge SSI surveillance, promising to identify patients at increased risk. Further research is needed to refine these AI tools for optimal sensitivity.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».