Real-time tool to display the predicted disease course and treatment response for children with Crohnʼs disease
Notice bibliographique
Résumé
BACKGROUND: Immunomodulators and biologics are effective treatments for children with Crohn's disease (CD). The challenge of communicating the anticipated disease course with and without therapy to patients and parents is a barrier to the timely use of these agents. The aim of this project was to develop a tool to graphically display the predicted risks of CD and expected benefits of therapy. METHODS: Using prospectively collected data from 796 pediatric CD patients we developed a model using system dynamics analysis (SDA). The primary model outcome is the probability of developing a CD-related complication. Input variables include patient and disease characteristics, magnitude of serologic immune responses expressed as the quartile sum score (QSS), and exposure to medical treatments. RESULTS: Multivariate Cox proportional analyses show variables contributing a significant increase in the hazard ratio (HR) for a disease complication include female gender, older age at diagnosis, small bowel or perianal disease, and a higher QSS. As QSS increases, the HR for early use of corticosteroids increases, in contrast to a decreasing HR with early use of immunomodulators, early or late biologics, and early combination therapy. The concordance index for the model is 0.81. Using SDA, results of the Cox analyses are transformed into a simple graph displaying a real-time individualized probability of disease complication and treatment response. CONCLUSIONS: We have developed a tool to predict and communicate individualized risks of CD complications and how this is modified by treatment. Once validated, it can be used at the bedside to facilitate patient decision making.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».