Using Machine Learning to Predict Outcomes Following Thoracic and Complex Endovascular Aortic Aneurysm Repair
Notice bibliographique
Résumé
BACKGROUND: Thoracic endovascular aortic repair (TEVAR) and complex endovascular aneurysm repair (EVAR) are complex procedures that carry a significant risk of complications. While risk prediction tools can aid in clinical decision making, they remain limited. We developed machine learning algorithms to predict outcomes following TEVAR and complex EVAR. METHODS: The Vascular Quality Initiative database was used to identify patients who underwent elective TEVAR and complex EVAR for noninfrarenal aortic aneurysms between 2012 and 2023. We extracted 172 features from the index hospitalization, including 93 preoperative (demographic/clinical), 46 intraoperative (procedural), and 33 postoperative (in-hospital course/complications) variables. The primary outcome was 1-year thoracoabdominal aortic aneurysm life-altering event, defined as new permanent dialysis, new permanent paralysis, stroke, or death. The data were split into training (70%) and test (30%) sets. We trained 6 machine learning models using preoperative features with 10-fold cross-validation. Model robustness was evaluated using calibration plots and Brier scores. RESULTS: Overall, 10 738 patients underwent TEVAR or complex EVAR, with 1485 (13.8%) experiencing 1-year thoracoabdominal aortic aneurysm life-altering event. Extreme Gradient Boosting was the best preoperative prediction model, achieving an area under the receiver operating characteristic curve of 0.96 (95% CI, 0.95-0.97), compared with 0.70 (95% CI, 0.68-0.72) for logistic regression. The Extreme Gradient Boosting model maintained excellent performance at the intra- and postoperative stages, with areas under the receiver operating characteristic curves of 0.97 (95% CI, 0.96-0.98) and 0.98 (95% CI, 0.97-0.99), respectively. Calibration plots indicated good agreement between predicted/observed event probabilities, with Brier scores of 0.09 (preoperative), 0.08 (intraoperative), and 0.05 (postoperative). CONCLUSIONS: Machine learning models can accurately predict 1-year outcomes following TEVAR and complex EVAR, performing better than logistic regression.
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 | 0,006 | 0,018 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».