The predictive power of hemodynamic data on postoperative neurocognitive impairment: a logistic regression and random forest approach
Notice bibliographique
Résumé
This study assesses hemodynamic data and parameter combinations in predicting neurocognitive impairment post-cardiopulmonary bypass graft (CABG) using logistic regression and random forest algorithms. 28 patients underwent the Montreal Cognitive Assessment (MoCA) test preoperatively and one month postoperatively. Patients were grouped by MoCA score changes: Group 1 (< 2 points decrease) and Group 2 (≥ 2 points decrease). Real-time hemodynamic data were recorded during surgery, and after artifact removal, a large dataset was analyzed. Derived parameters included Absolute Maximum Decrease (AMD), areas under thresholds, and duration spent below thresholds. Logistic regression and Random Forest algorithms assessed individual and combined parameter effects. Partial Dependence Plots (PDPs) aided interpretability. Results: Logistic regression and Random Forest analyses indicated hemodynamic data have limited predictive power for neurocognitive impairment. No logistic regression analysis yielded statistically significant results, and no Random Forest model achieved high accuracy. Conclusion: Hemodynamic data alone are insufficient for prediction. Including cerebral oxygen saturation, micro emboli, and hematocrit may improve model performance. Larger sample sizes and long-term follow-up are recommended for better accuracy. This study provides a basis for future research to mitigate postoperative cognitive dysfunction.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 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 ».