Models of influence in chronic liver disease
Notice bibliographique
Résumé
BACKGROUND & AIMS: Liver disease is often characterized by an intricate network of multiple, simultaneously interacting factors with organ-specific, as well as systemic effects. The aim of the present study is to introduce a new mathematical model on how to weigh a variety of factors contributing to chronic liver disease by the relevance of their influence on the overall disease processes. METHODS: Liver disease is modelled as the interaction of multiple internal and external factors. Each factor can potentially interact with any of the other factors in the model. The strength of interactions is expressed as per cent. The sum of all interactions contributing to each individual factor adds up to 100%. This model corresponds mathematically to a transposed Markov matrix. The analysis uses the two examples of hepatitis C virus (HCV) and autoimmune hepatitis (AIH). RESULTS: Impaired liver function is the most influential factor and increases in relevance as the degree of hepatic fibrosis increases. The relative importance of treating the primary disease process (HCV or AIH) diminishes as fibrosis develops. Similarly, psychosocial factors become less important with disease progression. Liver transplant is most important for Child's C cirrhosis. It is relatively influential for the early phase of AIH but not HCV, reflecting the fact that some cases of non-cirrhotic AIH can progress rapidly to acute liver failure. CONCLUSION: In a disease process characterized by a large array of multiple interacting factors, the decision tool of a transposed Markov chain helps to sort the contributing factors by the magnitude of their influence.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».