Lower baseline scores best predict achievement of the minimal clinically important difference after hip arthroscopy: A machine learning analysis from the Femoroacetabular Impingement RandomiSed Controlled Trial and embedded prospective cohort
Notice bibliographique
Résumé
PURPOSE: This analysis evaluated whether logistic regression and machine learning models could predict achievement of the minimal clinically important difference (MCID) for the International Hip Outcome Tool (iHOT-12) and Hip Outcome Score (HOS) at 6 and 12 months following hip arthroscopy. METHODS: Data from the multicenter Femoroacetabular Impingement RandomiSed controlled Trial and its embedded prospective cohort were used. A total of 309 patients (mean ± SD age 34.0 ± 8.7 years, 37.7% female) were included. The MCID thresholds for iHOT-12 and HOS were calculated using a distribution-based method and were 9.0 and 13.0, respectively. Predictive models were trained with demographic, radiographic, and intraoperative variables using a 70:30 training-to-test data split. MCID achievement was defined as a change from preoperative to postoperative scores that surpassed the calculated threshold. Model discrimination was assessed using the area under the curve (AUC), and calibration was evaluated via slope, intercept, and Brier scores. RESULTS: Achievement rates were 83.3% at 6 months and 81.1% at 12 months for iHOT-12, and 64.3% at 6 months and 75% at 12 months for HOS. Logistic regression performed best at 12 months (AUC = 0.724) for iHOT-12 with poor calibration (slope = 2.19). AUCs for HOS ranged between 0.672-0.715 at 6 months and 0.665-0.699 at 12 months. Best calibration was achieved by Least Absolute Shrinkage and Selection Operator (slope = 1.270, intercept = -0.177) at 6 months and by logistic regression at 12 months (slope = 1.093, intercept = -0.079). Lower baseline patient-reported outcome measures (PROMs) were associated with MCID achievement in most models. CONCLUSION: The most robust predictor of MCID achievement for both PROMs were lower baseline scores, and can be used as a prognostic variable for preoperative counselling. Model performance for predicting MCID was superior for HOS relative to iHOT-12. Machine learning models generally had comparable discrimination and calibration scores to traditional logistic regression models. LEVEL OF EVIDENCE: Level III.
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 | 0,023 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».