Using machine learning to predict outcomes following transcarotid artery revascularization
Notice bibliographique
Résumé
Transcarotid artery revascularization (TCAR) is a relatively new and technically challenging procedure that carries a non-negligible risk of complications. Risk prediction tools may help guide clinical decision-making but remain limited. We developed machine learning (ML) algorithms that predict 1-year outcomes following TCAR. The Vascular Quality Initiative (VQI) database was used to identify patients who underwent TCAR between 2016 and 2023. We identified 115 features from the index hospitalization (82 pre-operative [demographic/clinical], 14 intra-operative [procedural], and 19 post-operative [in-hospital course/complications]). The primary outcome was 1-year post-procedural stroke or death. The data was divided into training (70%) and test (30%) sets. Six ML models were trained using pre-operative features with tenfold cross-validation. Overall, 38,325 patients were included (mean age 73.1 [SD 9.0] years, 14,248 [37.2%] female) and 2,672 (7.0%) developed 1-year stroke or death. The best pre-operative prediction model was XGBoost, achieving an AUROC of 0.91 (95% CI 0.90-0.92). In comparison, logistic regression had an AUROC of 0.68 (95% CI 0.66-0.70). The XGBoost model maintained excellent performance at the intra- and post-operative stages, with AUROC's (95% CI's) of 0.92 (0.91-0.93) and 0.94 (0.93-0.95), respectively. Our ML algorithm has potential for important utility in guiding peri-operative risk-mitigation strategies to prevent adverse outcomes following TCAR.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 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 | 0,001 | 0,001 |
| 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 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 ».