Validation of a Machine Learning Model for Predicting Postmastectomy Radiotherapy Recommendation Following Immediate Breast Reconstruction
Notice bibliographique
Résumé
Background: Postmastectomy radiotherapy (PMRT) in the context of immediate implant-based breast reconstruction (IIBBR) is associated with long-term morbidity. The likelihood of PMRT may influence the type and timing of breast reconstruction chosen in the preoperative setting. This study aimed to validate a machine learning (ML) model for predicting the probability of PMRT recommendations in IIBBR patients, in accordance with the transparent reporting of studies on prediction models for individual prognosis or diagnosis guidelines. Methods: The study cohort comprised 224 breast cancer patients who underwent mastectomy with IIBBR from January 2021 to December 2022. Data were collected on 12 patient characteristics identified as predictive in our ML model. Preoperative characteristics were recorded from clinical history, physical examination, diagnostic imaging, and pathology reports. Results: Of the 224 patients, 37% (n = 84) were recommended PMRT. Our ML model demonstrated high predictive performance, with an area under the receiver operating characteristic curve score of 0.80 (0.74-0.86). The variables most predictive of PMRT recommendation included the size of suspicious lymph nodes, the presence of carcinoma in axillary lymph node biopsies, tumor size, and the use of ultrasound as the initial diagnostic modality. Conclusions: An ML model for predicting PMRT recommendations following IIBBR was validated. This prediction model may be helpful in the preoperative clinical setting to inform the discussion of reconstructive options.
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 | 0,011 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 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) | 0,002 | 0,001 |
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 ».