A novel predictive method for URS and laser lithotripsy using machine learning and explainable AI: results from the FLEXOR international database
Notice bibliographique
Résumé
PURPOSE: We developed Machine learning (ML) algorithms to predict ureteroscopy (URS) outcomes, offering insights into diagnosis and treatment planning, personalised care and improved clinical decision-making. METHODS: FLEXOR is a large international multicentric database including 6669 patients treated with URS for urolithiasis from 2015 to 2023. Preoperative and postoperative(PO) correlations were investigated through 15 ML-trained algorithms. Outcomes included stone free status (SFS, at 3-month imaging follow up), intraoperative (PCS bleeding, ureteric/PCS injury, need for postoperative drainage) and PO complications (fever, sepsis, need for reintervention). ML was applied for the prediction, correlation and logistic regression analysis. Explainable AI emphasizes key features and their contributions to the output. RESULTS: Extra Tree Classifier achieved the best accuracy (81%) in predicting SFS. PCS bleed was negatively linked with 'positive urine culture'(-0.08), 'tamsulosin'(-0.08), 'stone location'(-0.10), 'fibre optic scope'(-0.19), 'Moses Fibre'(-0.09), and 'TFL'(-0.09), and positively with 'elevated creatine'(0.25), 'fever'(0.11), and 'stone diameter'(0.21). 'PCS injury' and 'ureteric injury' both showed moderate correlation with 'elevated creatinine'(0.11), 'fever'(0.10), and 'lower pole stone'(0.09). 'Tamsulosin'(0.23) use, presence of 'multiple'(0.25) or 'lower pole'(0.25) stones, 'reusable scope'(0.17) and 'Moses Fibre'(0.2546) increased the risk for PO stent, while 'digital scope'(-0.13) or 'TFL'(-0.29) reduced it. 'Preoperative fever'(0.10), 'positive urine culture'(0.16), and 'stone diameter'(0.10) may play a role in 'PO fever' and 'sepsis'. SFS was mainly influenced by 'age'(0.12), 'preoperative fever'(0.09), 'multiple stones'(0.15), 'stone diameter'(0.17), 'Moses Fibre"(0.15) and 'TFL'(-0.28). CONCLUSION: ML is valuable tool for accurately predicting outcomes by analysing pre-existing datasets. Our model demonstrated strong performance in outcomes and risks prediction, laying the groundwork for development of accessible predictive models.
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 | 0,009 |
| 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) | 0,002 | 0,001 |
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 ».