Abstract TMP89: Predictive Model of Ischemic Event Recurrence in Pediatric Moyamoya
Notice bibliographique
Résumé
Background: Moyamoya is a progressive cerebral arteriopathy and one of the leading causes of stroke recurrence in children. Clinical severity scores have been developed for adult patients given the multifaceted pathophysiology of moyamoya. However, these scores were not designed to assess the risk of ischemic event recurrence, and they have not been validated in children. Objective: To develop a predictive model of ischemic event recurrence adapted to pediatric moyamoya. Methods: We retrospectively reviewed a single-center cohort of moyamoya patients, extracting demographic, clinical, and radiographic data. A binary logit mixed-effects regression was applied to predict ischemic event recurrence or disease progression based on this data. Variables were selected based on current literature. The model was validated using three approaches: validation, leave-one-out cross-validation (LOOCV), and 10-fold cross-validation, assessing performance via area under the curve (AUC), prediction accuracy, and binary classification entropy (BCE). Results: Two-hundred and twenty hemispheres were analyzed. Sixty-six hemispheres showed evidence of ischemic event recurrence or disease progression over a mean follow-up period of 6.23 ± 4.19 years. The median time to event was 21 months. Age at presentation (β=-0.036; p=0.48), Asian ancestry (β=1.74; p=0.002), asymptomatic presentation (β=1.084; p=0.207)), ischemic symptoms at presentation (β=2.15; p=0.011), evidence of infarction on initial brain MRI (β=-0.79; p=0.155), presence of an ivy sign (β=-0.2; p=0.67), unilateral disease (β=-0.97; p=0.077) with an intercept at β=-2.02 (p=0.052) were the variables included in the model. Computed model included LOOCV and 10-fold produced highest prediction accuracy (0.77 and 0.773 respectively), whereas 10-fold cross-validation had the smallest BCE value along with AUC=0.736. Conclusions: We present a pediatric-specific predictive model for the recurrence of ischemic events in moyamoya patients, demonstrating good accuracy. Our performance metrics indicate that 10-fold cross-validation is the preferred method for predicting moyamoya recurrence. This model provides a framework for developing a scoring scale that can be used in clinical practice to quantify risk and guide treatment decisions.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».