Prediction model based on contrast-enhanced computed tomography images and clinical indicators for the prognosis of pancreatic necrosis in acute pancreatitis
Notice bibliographique
Résumé
The clinical outcomes of acute necrotizing pancreatitis (ANP) including necrotic tissue absorption, persistent walled-off necrosis (WON) formation, and infectious pancreatic necrosis (IPN) require different treatment modalities. In this prospective observational study, patients with ANP admitted to our hospital between January 2021 and December 2022 underwent contrast-enhanced computed tomography (CECT) and clinical tests within 24 hours of admission and were followed up for 6 months. CECT images of the pancreas were automatically segmented using deep learning (DL) model, and 3D ResNet DL and logistic regression (LR) models were developed using CECT images and selected clinical indicators, respectively. Prediction models were obtained via the integration of the DL and LR models, and comparison of their respective performances. Of the 133 patients with ANP, absorption of necrotic tissues, persistent WON, and IPN were found in 45.86, 30.83, and 23.31% of the patients, respectively. For pancreatic segmentation, the Attention U-Net model performed better than the U-Net model. Blood glucose, urea nitrogen, lactate dehydrogenase, and C-reactive protein levels were then used to construct an LR model with .714 accuracy. The accuracies of the 3D ResNet models using manually and automatically segmented pancreatic images were .821 and .750 initially, respectively, and .857 and .786 when combined with LR, respectively. The model developed in this study may be clinically applied to improve the accuracy of ANP prognosis prediction.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».