Preoperative CT-derived body composition as predictor of postoperative pancreatic fistula risk after whipple surgery
Notice bibliographique
Résumé
Pancreaticoduodenectomy (PD) is a primary treatment for pancreatic cancer but carries a high risk of postoperative pancreatic fistula (POPF). Accurate prediction of POPF is key for improving patient outcomes and guiding surgical decisions. This study analyzed body composition (tissues within the lumbar range) and clinical factors for predicting POPF, using a cohort of 777 patients. Volumes (V) and Hounsfield Unit (HU) values were extracted from Computed Tomography (CT) scans using the Data Analysis Facilitation Suite (DAFS) CT segmentation software, and logistic regression was applied to analyze high- and low-risk groups (Fistula ±). For males, Age at Surgery (p = 0.021), while for females, the Charlson Comorbidity Index (CCI) (p = 0.018) and Malignancy (p = 0.037) were significantly associated with Fistula ±. In males, Liver HU (p = 0.037), Gallbladder HU (p = 0.037), and Heart HU (p = 0.040), while in females, Lung V (p = 0.044), Lung HU (p = 0.002), Trachea V (p = 0.029), Trachea HU (p = 0.017), Heart V (p = 0.027), and Aorta V (p = 0.001), and for both males and females respectively, Pancreas V (p = 0.006 and 0.047) exhibited significant differences with Fistula ±. For tissue features, in males, SKM V (p = 0.029), while in females, SKM HU (p = 0.006), FAT HU (p = 0.006), VAT HU (p = 0.000), SAT V (p = 0.032), and SAT HU (p = 0.012), and in both genders, FAT V (p = 0.012 and 0.021), VAT V (p = 0.002 and 0.044), and the VAT/SKM V ratio (p = 0.006 and 0.032) were significantly associated with Fistula ±. For prediction, a sub-cohort of 140 scans was used, with 11 key features selected. A weighted stratified five-fold cross-validation approach was applied, with SHapley Additive exPlanations (SHAP) ranking Age at Surgery, Pancreas HU, Liver HU, Aorta V, FAT HU, and SKM HU as top predictors. The model achieved a mean Area Under the Curve (AUC) of 0.85 (training) and 0.80 (testing), with a mean Balanced Accuracy of 0.80 and 0.78, respectively. These results highlight preoperative body composition as a non-invasive, effective tool for predicting POPF risk and optimizing surgical planning, while underscoring the importance of personalized, gender-specific risk assessments.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 | 0,000 |
| 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 ».