Notice bibliographique
Résumé
Introduction: Decision-making for orchiectomy following testicular torsion often relies on subjective clinical evaluations.This study investigated the efficacy of machine-learning (ML) models in objectively predicting post-torsion testicular viability, aiming to maintain a parenchymal ratio over 80% compared to the contralateral testicle, irrespective of initial appearance and surgical timing.Methods: A prospective database from a single surgeon (2020-2024) covering all patients who underwent detorsion and subsequent bilateral orchidopexy was used.Followup ultrasounds were conducted at 6-12 months post-procedure.Variables included patient age (neonatal, prepubertal, post-pubertal), time from presentation to surgery, and history of torsion-detorsion events.Various ML models -regression, k-nearest neighbors, and decision trees -were assessed for accuracy and precision. Results:The decision tree model demonstrated the highest accuracy at 90.5%, followed by the regression model at 82.7% accuracy, and the k-nearest neighbors model at 81.4% accuracy.The area under the curve (AUC) for the regression model indicated adequate predictability for testicular viability.A crucial finding was the impact of the timing of surgical intervention; surgeries conducted within four hours showed a 100% viability rate (p=0.001).Age also significantly affected outcomes, with post-pubertal patients showing a higher viability rate of 57.1% (p=0.041).Detailed performance metrics, such as precision, recall, and F1-scores for each model, further validate the predictive capacity of these ML models (Figure 1, Tables 1, 2).Conclusions: Preliminary results suggest that ML models are viable tools for predicting testicular viability post-torsion, significantly enhancing clinical decisionmaking by providing an objective basis for potentially preserving testicles.Further studies with larger datasets are necessary to confirm and refine these predictions.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,314 | 0,111 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».