Optimizing pediatric “Mild” traumatic brain injury assessments: A multi-domain random forest analysis of diagnosis and outcomes
Notice bibliographique
Résumé
Objective: Despite advances in imaging and fluid-based biomarkers, the care for pediatric "mild" traumatic brain injury (pmTBI) remains primarily dependent on clinical evaluation. However, the optimal clinical assessments for diagnosing pmTBI and predicting outcomes remain debated, including which individual test or combinations of assessments are most effective, and how this evolves as a function of time post-injury. Method: Random Forest models were used to identify the most effective assessments for diagnostic (pmTBI vs. healthy controls) and outcome (pmTBI with favorable vs. poor outcomes, based on persisting symptoms) classification accuracy across a comprehensive battery including domains of self-reported clinical-ratings, paper-and-pencil cognitive tests, computerized cognitive tests, symptom provocation during neurosensory tests, and performance-based neurosensory measures. Assessments were conducted within 11-days, at 4-months and 1-year post-injury to examine acute and long-term recovery trajectories. A total of 323 pmTBI (180 males; age 14.5 ± 2.8 years) and 244 HC (134 males, 14.0 ± 2.9 years) were included (∼75 % 1-year retention) in final analyses. Results: Self-reported clinical-ratings outperformed performance-based metrics across all visits in both models, with somatic complaints demonstrating the highest predictive validity. Cognitive tests of memory aided diagnostic classification, while emotional disturbances were predictive of outcome classification up-to 4-months. Retrospective ratings, reflecting trait-like characteristics, were more predictive for identifying individuals at risk of poor outcomes. Computerized cognitive and neurosensory tests had limited predictive value beyond 1-week post-injury. Conclusions: Clinicians should adopt a tailored approach for clinical assessments across different post-injury intervals to enhance clinical care, shorten assessment batteries, and better understand recovery in children with "mild" TBI.
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 | 0,026 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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) | 0,001 | 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 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 ».