Predicting outcomes following open abdominal aortic aneurysm repair using machine learning
Notice bibliographique
Résumé
Patients undergoing open surgical repair of abdominal aortic aneurysm (AAA) have a high risk of post-operative complications. However, there are no widely used tools to predict surgical risk in this population. We used machine learning (ML) techniques to develop automated algorithms that predict 30-day outcomes following open AAA repair. The National Surgical Quality Improvement Program targeted vascular database was used to identify patients who underwent elective, non-ruptured open AAA repair between 2011 and 2021. Input features included 35 pre-operative demographic/clinical variables. The primary outcome was 30-day major adverse cardiovascular event (MACE; composite of myocardial infarction, stroke, or death). We split our data into training (70%) and test (30%) sets. Using 10-fold cross-validation, 6 ML models were trained using pre-operative features with logistic regression as the baseline comparator. Overall, 3,620 patients were included. Thirty-day MACE occurred in 311 (8.6%) patients. The best performing prediction model was XGBoost, achieving an AUROC (95% CI) of 0.90 (0.89-0.91). Comparatively, logistic regression had an AUROC (95% CI) of 0.66 (0.64-0.68). The calibration plot showed good agreement between predicted and observed event probabilities with a Brier score of 0.03. Our automated ML algorithm can help guide risk-mitigation strategies for patients being considered for open AAA repair to improve 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 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 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 | 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 ».