Improving the accuracy of long‐term prognostic estimates in hepatitis C virus infection
Notice bibliographique
Résumé
Obtaining unbiased estimates of HCV prognosis is difficult because of potential biases associated with study design and calculation methods. We propose a new method for estimating fibrosis progression rates. A Markov model with fibrosis health states (F0-F4) was created. The maximum likelihood method was used to estimate stage-specific progression rates. We compared the standard method to the new method using two well-known cohort studies. The known stage distribution at the end of follow-up was compared with stage predicted by the Markov model using both methods of calculating transition rates. We also compared rates obtained using both methods to known fibrosis rates in a series of Monte Carlo simulations. For Kenny-Walsh's study (1999), transition rates between F0-F1, F1-F2, F2-F3, and F3-F4 were 0.042, 0.045, 0.097 and 0.070 fibrosis units/year (new method) and 0.045 units/year (standard method). The new method predicted fibrosis stage and known transition rates in Monte Carlo simulations more accurately. The standard method underestimates 30-year cirrhosis rates by up to 40%. The new (Markov maximum likelihood or MML) method allows accurate estimation of stage-specific transition probabilities from the many studies in which only a single biopsy is available. Application of the method supports the hypothesis that rates of fibrosis vary between stages.
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 | 0,061 | 0,227 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».