Artificial Intelligence Predicts Health-Related Quality of Life for Adolescent Idiopathic Scoliosis
Notice bibliographique
Résumé
Abstract Purpose Adolescent idiopathic scoliosis (AIS) has a large impact on health-related quality of life (HRQoL) including poor psychosocial functioning, body image, and psychological distress. Surgical management for AIS is common; however, there is limited consensus on preoperative and intraoperative strategies to optimize HRQoL outcomes. Accurate prediction of postoperative outcomes can help guide operative planning and lead to improved HRQoL. This study aimed to generate machine learning models (MLMs) using preoperative and intraoperative variables to predict the difference in HRQoL outcomes from preoperative assessment to two years following AIS surgery. Methods A prospective, longitudinal, multicenter database was queried for AIS patients of Lenke 1 or 5 classification with two-year follow-up. MLMs were generated using preoperative and intraoperative variables to predict the difference in Scoliosis Research Society-22 (ΔSRS-22) questionnaire scores from preoperative assessment to two-year follow-up. MLMs were compared to a model that estimates the mean score by evaluating the mean squared error (MSE) and the fraction of times the prediction was within a predesignated value of the actual score (i.e., buffer accuracy). Results A total of 1,477 patients (84.6% female, 75.0% White) were included. The lowest MSE for each ΔSRS-22 outcome ranged from 0.18–0.48, while the highest 0.25-buffer, 0.5-buffer, 0.75-buffer, and 1-buffer accuracies for each ΔSRS-22 outcome ranged from 34.8%–53.4%, 56.8%–83.1%, 75.0%–94.6%, and 87.2%–97.3%, respectively. These MSEs and buffer accuracies outperformed mean estimates. Conclusion MLMs built using preoperative and intraoperative variables enabled prediction of the difference in HRQoL outcomes from preoperative assessment to two years following AIS surgery. Findings provide key insights into the feasibility of implementing MLMs to guide operative planning and counsel patients on expected outcomes of surgical management. Future work should implement additional surgeon, institution, and patient factors as model predictors to increase predictive accuracy of HRQoL outcomes and ultimately improve individualized patient care through data-driven surgical planning.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».