Comparison of various predictive tools in predicting risk of cerebrospinal fluid diversion post-resection of posterior fossa tumors: A systematic review
Notice bibliographique
Résumé
Background & Objective: Posterior fossa tumors (PFTs) frequently cause hydrocephalus (HCP), requiring permanent cerebrospinal fluid (CSF) diversion post resection in both pediatric and adult patients. We aimed to compare the performance of various tools in predicting the risk of postoperative hydrocephalus and improving prediction for better neurosurgical decision-making. Methodology: A comprehensive literature search was conducted across Google Scholar and PubMed database adhering to Preferred Reporting Items for Systematic Review and Meta-analyses (PRISMA) guidelines using keywords such as posterior fossa tumors, hydrocephalus, CSF diversion, and predictive models. A total of ten original articles with a sample size of 1597 from 2021 to 2025 were selected for data extraction. Study quality evaluation was executed via PROBAST tool. Results: The cumulative mean ages were 7.18±1.64 years for pediatric patients and 53.07±0.81 years for adults. Pediatric patients accounted for 67.31% (1075) patients while adults accounted for 19.41% (402) patients. Preoperative hydrocephalus was present in 52.4% (833) patients, out of which 22.9% (367) required CSF diversion post resection. Pooled post-operative shunt rates revealed higher shunt rate 53.9% (715) in patients with preoperative hydrocephalus than those without 13% (80). Logistic regression was used in 88.8% (8) of the identified models while AI based model demonstrated best performance (AUC = 0.938). Conclusion: Of all the predictive models developed, till now, to predict the need for CSF diversion after PFT resection, artificial intelligence-based model shows superior accuracy for improving hydrocephalus risk prognostication. Apart from clinical, demographic, surgery-related and radiological predictors incorporated in conventional predictive models, the artificial-intelligence based model improves risk prediction by utilizing complex patterns in intraoperative and postoperative imaging of patients.
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 | 0,017 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,021 |
| Bibliométrie | 0,011 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».