Predictive modeling of long-term improvement in occlusion outcomes following Woven EndoBridge treatment of cerebral aneurysms: A machine learning approach
Notice bibliographique
Résumé
BackgroundThe Woven EndoBridge (WEB) device represents an innovative solution for cerebral aneurysm occlusion, particularly for challenging wide-neck bifurcation aneurysms. However, factors affecting sustained occlusion remain poorly understood. We utilized machine learning to attempt to identify predictors of favorable long-term outcomes following WEB treatment.MethodsIn this multicenter retrospective study, we collected patient demographics, aneurysm characteristics, procedural details, and clinical outcomes. The primary endpoint was improvement in occlusion status, defined as maintained Raymond-Roy Occlusion Classification (RROC) grade 1, or improvement from grade 2 to 1, or from grade 3 to either 2 or 1 on final angiographic follow up. The dataset was split into training (75%) and validation (25%) sets. The CatBoost algorithm was selected based on performance metrics, with Shapley Additive exPlanations (SHAP) values calculated to determine feature importance. Furthermore, a multivariable binomial logistic regression model was performed to validate machine learning findings.ResultsAmong 720 aneurysms from 36 hospitals, 84% showed improvement in occlusion at follow up. Both machine learning and multivariable logistic regression identified aneurysm height as the most consistent correlate of nonimprovement (odds ratio (OR) 0.90 per mm, p = 0.022). In the CatBoost model, the highest-ranking features by SHAP included aneurysm height, patient age, treatment acuity, ACom location, WEB-SLS device, bifurcation anatomy, aneurysm multiplicity, baseline modified Rankin Scale, access route, and partial thrombosis.ConclusionsMachine-learning and regression analyses identified consistent predictors of occlusion improvement after WEB treatment, with aneurysm height most strongly linked to nonimprovement. These insights may guide patient selection and follow up. Findings require cautious interpretation and external validation in larger cohorts.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».