Machine learning-based prediction of vesicoureteral reflux outcomes in infants under antibiotic prophylaxis
Notice bibliographique
Résumé
We aimed to investigate the independent outcome predictors of continuous antibiotic prophylaxis (CAP) in vesicoureteral reflux, train a model to predict the outcome, and evaluate which infants should be referred for endoscopic vesicoureteral reflux correction in their first visits. A total of 225 infants ≤ 2 years of age with a diagnosis of vesicoureteral reflux between 2009 and 2022 were recruited; 115 patients from a pediatric nephrology clinic received CAP, and 110 patients from a pediatric urology department underwent endoscopic injection of dextranomer/hyaluronic acid copolymer. In the multivariable analysis, only renal scarring and bladder dysfunction were significantly associated with post-treatment febrile urinary tract infections and/or renal scarring and vesicoureteral reflux persistence, respectively, in children who received CAP. The machine learning modeling showed that for both febrile urinary tract infections and/or renal scarring and vesicoureteral reflux persistence, the random forest was the best fit. On the other hand, we observed that the success rates of endoscopic injection among the patients with renal scarring and bladder dysfunction were acceptable. In conclusion, renal scarring and bladder dysfunction were predictors of vesicoureteral reflux outcomes when the infant was receiving CAP. Therefore, referring these patients to a urologist is advised during their first visits as they benefit from endoscopic injection.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».