Machine learning-based real-time prediction of duodenal stump leakage from gastrectomy in gastric cancer patients
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose: This study aimed to develop a machine learning (ML) model for real-time prediction of duodenal stump leakage (DSL) following gastrectomy in patients with gastric cancer (GC) using a comprehensive set of clinical variables to improve postoperative outcomes and monitoring efficiency. Methods: A retrospective analysis was conducted on 1,107 patients with GC who underwent gastrectomy at Pusan National University Yangsan Hospital between 2019 and 2022. One hundred eighty-nine features were extracted from each patient record, including demographic data, preoperative comorbidities, and blood test outcomes from the subsequent seven postoperative days (POD). Six ML algorithms were evaluated: Logistic Regression (LR), K-nearest neighbors (KNN), Support Vector Machine (SVM), Random Forest (RF), Extreme Gradient Boosting (XGB), and Neural Network (NN). The models predicted DSL occurrence preoperatively and on POD 1, 2, 3, 5, and 7. Performance was assessed using the Area Under the Receiver Operating Characteristic Curve (AUROC) and Recall@K. Results: Among the 1,107 patients, 29 developed DSL. XGB demonstrated the highest AUROC score (0.880), followed by RF (0.858), LR (0.823), SVM (0.819), NN (0.753), and KNN (0.726). The RF achieved the best Recall@K score of 0.643. Including additional POD features improved the predictive performance, with the AUROC value increasing to 0.879 on POD 7. The confidence scores of the model indicated that the DSL predictions became more reliable over time. Conclusion: The study concluded that ML models, notably the XGB algorithm, can effectively predict DSL in real-time using comprehensive clinical data, enhancing the clinical decision-making process for GC patients.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle