P.199 Management of ruptured arachnoid cysts with hemorrhage: a bayesian network analysis
Notice bibliographique
Résumé
Background: Arachnoid cysts are fluid collections within the arachnoid membrane. Although rare, ruptured or hemorrhagic arachnoid cysts pose significant clinical challenges and management controversies. The present study analyzes factors influencing their treatment decision using Bayesian network models. Methods: PubMed and EMBASE databases were searched to identify reports of ruptured arachnoid cysts with patient-level data. Demographic, clinical, imaging and treatment data were extracted to develop Tree-augmented naïve Bayes (TAN) classifiers for analyzing the factors influencing decision of surgery and type of surgery. A web application was developed to explore the networks. Results: Middle cranial fossa cysts were most common (95%) along with a male predominance (M:F ratio 4.29:1). Headache and vision changes were the most common symptoms and >50% had a history of head injury. Surgery was performed in 89.8% of cases with craniotomy being the most common surgical procedure. Key factors influencing the decision of surgery were cyst location, hemorrhage type, age group, and Galassi classification, while type of surgery was also influenced by head trauma, seizures, and macrocrania. Conclusions: Bayesian network analysis demonstrates that decision of surgical treatment of a ruptured arachnoid cyst is dependent on multiple interdependent factors and should be individualized to match the presentation with the surgical modality.
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 | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».