Machine Learning for Predicting Neurosurgical Postoperative Cognitive Decline
Notice bibliographique
Résumé
Background: Postoperative cognitive decline (POCD) in common in neurosurgical patients and significantly impacts functional independence. Several factors correlate to exacerbated POCD, including age, preoperative brain activity, and anesthesia type. However, little research has explored the use of artificial intelligence (AI) to predict POCD, which may personalize and improve patient treatment. This study aims to develop an AI tool which predicts POCD from neurosurgical patients based on patient and procedure characteristics for improved treatment outcomes. Hypothesis: We hypothesize that an AI tool trained on patient characteristics before and after surgery, along with procedure factors, may predict POCD. Methods: An AI tool will be trained and validated on neurosurgical case data to predict POCD risk and cognitive score (n = 200). Training data will include patient factors (demographics, blood test results, cognitive scores, lesion type) and procedure factors (anesthesia type, neurosurgical intervention). Cognitive score will be assessed using standard MoCA and MMSE tests. The tool will predict 7- and 30-day post-operative MoCA and MMSE score. We will validate the tool using a subset of patients (n = 50) and will assess model accuracy. Implications: AI-driven POCD prediction offers a cost-effective approach to personalized patient care. Integrating these tools into clinical workflows may better equip healthcare service providers to identify high risk patients, assess surgical risk, and adjust management, ultimately improving patient outcomes.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| 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) | 0,002 | 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 ».