Utilizing Predictive Analytics to Understand Neurogenic Bladder Symptom Score (NBSS) Variations in Adults With Acquired Spinal Cord Injury
Notice bibliographique
Résumé
INTRODUCTION: Individuals with spinal cord injury (SCI) have varying bladder health trajectories after their injury. We explored whether a predictive machine learning model could identify which variables impact urinary symptoms. METHODS: We used 238 variables from the Neurogenic Bladder Research Group SCI registry for a Decision Tree analysis (eCHAID technique). The primary outcomes were the baseline Neurogenic Bladder Symptom Score (NBSS), and the change from the baseline NBSS at 1-year follow up (measured as better/worse than the median change). RESULTS: Among the 1479 participants, mean baseline NBSS was 24.16 ± 0.28 (standard error of the mean). Our decision tree that evaluated the NBSS at baseline predicted that individuals with a suprapubic tube/urostomy as their primary bladder management method and good bowel QOL at baseline had the lowest (best) mean baseline NBSS at 13.44 ± 0.83. In contrast, females with baseline spontaneous voiding had the highest (worst) mean baseline NBSS at 34.42 ± 1.05. Our second decision tree evaluated the change in the NBSS at 1-year follow-up. Of the 711 participants that performed better than the median change (i.e., improved), 45% were accounted for jointly by women who did not use bladder relaxing medications at baseline, and men without a history of prior urinary tract infections who used a single bladder management method at follow-up. The predictive capacity the decision tree was 57%. CONCLUSIONS: Decision tree models help identify combinations of patient characteristics which correlate with urinary symptoms after SCI. However, there was a limited predictive capacity of the decision tree to forecast future bladder symptoms.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».