PREDICTING 30-DAY VENOUS THROMBOEMBOLISM FOLLOWING TOTAL JOINT REPLACEMENT, ACCOUNTING FOR TRENDS IN ANNUAL LENGTH OF STAY
Notice bibliographique
Résumé
Venous thromboembolism (VTE) is a common complication following total hip (THA) and total knee arthroplasty (TKA). Preoperative prediction remains difficult, particularly for models that account for the temporal trend in VTE rates. We aimed to evaluate whether annual mean length of stay (LOS) is associated with the incidence of VTE and develop a generalizable machine learning (ML) model to preoperatively predict the incidence of symptomatic VTE following THA and TKA. Annual incidence of 30-day postoperative VTE, deep vein thrombosis (DVT) and pulmonary embolism (PE) was calculated over six years (2014 to 2019) and tested for trend. Correlation between annual VTE rates and mean LOS was calculated. Univariate analysis of features was performed for association with incidence of VTE followed by utilization of predictive models (logistic regression, random forest, and XGBoost). Data was split into training and testing sets by year of surgery and different oversampling algorithms were used to address data imbalance (Figure 1). A total of 498,314 patients were included, with 0.88% developing a postoperative VTE within 30 days. VTE rates decreased from over 1.11% in 2014 to 0.76% in 2019 (p This study revealed a declining trend in VTE rates, strongly correlated to decreasing postoperative LOS and identified patient and surgery-specific factors associated with an increased risk of VTE. The development of more accurate ML models for VTE prediction may improve risk stratification, prevention, and monitoring for arthroplasty patients. For any figures or tables, please contact the authors directly.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».