Predicting perioperative outcomes from surgical data during one lung ventilation
Notice bibliographique
Résumé
Patients routinely undergo surgeries executed under general anesthesia that require ventilation. Sometimes this mechanical ventilation is not only harmful to health but also a significant cause of death. One lung ventilation (OLV) assisted lung surgery is not free from those complications. During OLV assisted lung surgery, ventilation is applied to the lung opposite the side of the operation, and the other lung (where the surgery will take place) is already damaged. For these reasons, mechanical ventilation procedures may cause acute ventilator-induced lung injuries. These lung injuries can be the reason for different pulmonary and respiratory complications, which may lead to patient death. So it is essential to predict OLV assisted surgery-related outcomes to reduce negative results. I have used machine learning to predict the perioperative outcome. I have used a real-world dataset of OLV assisted lung surgeries collected in Manitoba. The dataset is the real-time olv assisted lung surgery data from 80 patients surgery information. Due to the uneven class distribution, I have used SMOTE for oversampling the data. I divided the dataset into three parts: i) Preoperative Data, ii) Intraoperative Data, and iii) Combined Data. Three different classification algorithms, Random Forests (RF), Support Vector Machines (SVM), and Logistic Regression (LR), have been applied to the different combinations of datasets. Using intra-operative data oversampled by SMOTE using the SVM classification algorithm gives the best accuracy with an F1-score of 0.70 and AUC of 0.61 for the prediction of surgical complication.
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 | 0,001 | 0,004 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».