Interpretable model committee for monitoring and early prediction of intracranial pressure crises
Notice bibliographique
Résumé
Traumatic brain injury (TBI) often leads to elevated intracranial pressure (ICP), a dangerous complication associated with increased morbidity and mortality. This study introduces a novel artificial intelligence-based solution for predicting potentially life threatening ICP crises by considering high ICP burden (pressure–time dose), impaired cerebrovascular reactivity, and reduced cerebrospinal compensatory reserve. We propose a committee of models that uses explainable TabNet structures to predict ICP crisis events and identify the most important features driving the predictions to provide additional insights into ICP crisis development over time. The model’s performance was assessed in a large multi-center dataset of long-term high-resolution recordings of physiological signals (ICP and arterial blood pressure) collected in 749 TBI patients. The model achieved very high recall (0.94) with lower precision (0.34) in predicting rare critical events 30 min in advance based on 4 h of previous signal-derived metrics. Explainability analysis revealed that the predictions are primarily influenced by dynamic changes in cerebrospinal pressure–volume relationships which supports the view that patients with reduced cerebrospinal pressure buffering capacity may be at higher risk of presenting ICP elevation. In addition to a well-performing model for ICP crisis prediction in TBI validated in a large dataset, the proposed solution offers the potential for real-time monitoring of feature importance which could help inform the clinical decision-making process and enhance patient outcomes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».