Predicting Postoperative Delirium in Older Patients: a multicenter retrospective cohort study (Preprint)
Notice bibliographique
Résumé
BACKGROUND Elective surgeries for older adults are increasing. Machine learning could enhance risk assessment, influencing surgical planning and postoperative care. Preoperative cognitive assessment may facilitate early detection and management of postoperative delirium (POD). OBJECTIVE This study aims to assess machine learning models' predictive ability for POD, focusing on adding neuropsychological assessments before surgery. METHODS This retrospective cohort study analyzed data from the multicenter PAWEL and PAWEL-R studies, encompassing older patients (≥70 years) undergoing elective surgeries from July 2017 to April 2019. A total of 1624 patients were included, with POD diagnosis made before discharge. Data included demographics, clinical, surgical, and neuropsychological features collected pre- and perioperatively. Machine learning model performance was evaluated using the area under the receiver operating characteristic curve (AUC), with permutation testing for significance and SHapley Additive exPlanations to identify effective neuropsychological assessments. RESULTS In this cohort of 1624 patients, 52.3% (N=850) were male, with a mean (s.d.) age of 77.9 (4.9) years. Predicting POD before surgery achieved an AUC of 0.786. Incorporating all pre- and perioperative features into the model yielded a slightly higher AUC of 0.806, with no statistically significant difference observed (P= .193). Notably, cognitive factors alone were not strong predictors (AUC=0.611). However, specific tests within neuropsychological assessments, such as the Montreal Cognitive Assessment memory subdomain and Trail Making Test Part B, were found to be crucial for prediction. CONCLUSIONS Preoperative risk prediction for POD can increase risk awareness in presurgical assessment and improve postoperative management in older patients with a high risk for delirium. CLINICALTRIAL The study was registered with the German Clinical Trials Register under the identifiers DRKS12797 and DRKS13311. INTERNATIONAL REGISTERED REPORT RR2-2019 Jan 21;20(1):71. doi: 10.1186/s13063-018-3148-8
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».