Predicting Postoperative Delirium in Older Patients Before Elective Surgery: Multicenter Retrospective Cohort Study
Notice bibliographique
Résumé
Background: Elective surgeries for older adults are increasing. Machine learning could enhance risk assessment, influencing surgical planning and postoperative care. Preoperative cognitive assessment may facilitate early detection and management of postoperative delirium (POD). Objective: This study aims to assess machine learning models' predictive ability for POD, focusing on the added predictive value of the neuropsychological assessments before elective surgery. Methods: This retrospective cohort study analyzed data from the multicenter PAWEL (Patient safety, Efficiency and Life quality in elective surgery) and PAWEL-R (risk) studies, encompassing older patients (≥70 y) undergoing elective surgeries from July 2017 to April 2019. A total of 1624 patients (52.3% male, N=850; age: mean 77.9, SD 4.9 years) were included, with a POD diagnosis made before discharge. Sociodemographic, clinical, surgical, and neuropsychological features were collected pre- and intraoperatively by care providers. Machine learning models' performance was evaluated using the area under the receiver operating characteristic curve (AUC), with permutation testing for significance, and Shapley Additive Explanations to identify effective neuropsychological assessments. Results: Predicting POD before surgery with a random forest model achieved an AUC of 0.760. Incorporating all pre- and intraoperative features into the model yielded a slightly higher AUC of 0.783, with no statistically significant difference observed (P=.24). While cognitive factors alone were not strong predictors (AUC=0.617), specific tests within neuropsychological assessments, such as the Montreal Cognitive Assessment and Trail Making Tests, showed high feature attribution and played a crucial role in further enhancing prediction before surgery. Conclusions: Preoperative risk prediction for POD can increase risk awareness in presurgical assessment and improve perioperative management in older patients at a high risk for delirium.
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 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 | 0,005 |
| 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 | 0,001 |
| 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 tête enseignante, 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 ».