AI‐driven preoperative risk assessment in kidney cancer surgery: A comparative feasibility study of machine learning models
Notice bibliographique
Résumé
Background and Objective: Preoperative risk stratification in renal tumour surgery is essential to enable risk-adjusted postoperative patient monitoring. Machine learning (ML) models predicting major complications (MCs) and acute kidney injuries (AKIs) following partial (PN) or radical nephrectomy (RN) have not been made, nor have they been compared with traditional logistic regression models. Design setting and participants: A total of 963 patients who underwent PN and RN between January 2017 and March 2023 at the University Medical Center Mannheim were included. The dataset consisted of 30 variables of interest- 18 descriptive and 12 predictor variables, which allowed for 7 predictor variables per event. The dataset was pre-processed, and ML models were created for MC and AKI. The selected models included Random Forest (RF), Support Vector Machines (SVMs), Stochastic Gradient Boosting, Neural Networks (NNs) and Elastic Net Logistic Regression models (ENETs). Results and limitations: For major complications, the NN model had the best model fitting, with an AUROC of 0.762 [95%CI 0.611-0.912], a sensitivity of 0.86 [95%CI 0.80-0.92] and a Brier score of 0.17 [95%CI 0.11-0.23]. For AKI, the best fit model was created using a NN with an AUROC of 0.717 [95%CI 0.611-0.823], a sensitivity of 0.82 [95%CI 0.74-0.90] and a Brier score of 0.24 [95%CI 0.17-0.31]. The best performing models for both outcomes outperformed the ENETs. Conclusions: The ML models provide valuable information for preoperative risk stratification of patients undergoing renal tumour surgery. This study suggests that NNs are the most appropriate models to stratify patients regarding the occurrence of MCs and AKIs, respectively. The models are made publicly available for reproducibility.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».