Automated Quantification of Neuropad Improves Its Diagnostic Ability in Patients with Diabetic Neuropathy
Notice bibliographique
Résumé
Neuropad is currently a categorical visual screening test that identifies diabetic patients at risk of foot ulceration. The diagnostic performance of Neuropad was compared between the categorical and continuous (image-analysis (Sudometrics)) outputs to diagnose diabetic peripheral neuropathy (DPN). 110 subjects with type 1 and 2 diabetes underwent assessment with Neuropad, Neuropathy Disability Score (NDS), peroneal motor nerve conduction velocity (PMNCV), sural nerve action potential (SNAP), Deep Breathing-Heart Rate Variability (DB-HRV), intraepidermal nerve fibre density (IENFD), and corneal confocal microscopy (CCM). 46/110 patients had DPN according to the Toronto consensus. The continuous output displayed high sensitivity and specificity for DB-HRV (91%, 83%), CNFD (88%, 78%), and SNAP (88%, 83%), whereas the categorical output showed high sensitivity but low specificity. The optimal cut-off points were 90% for the detection of autonomic dysfunction (DB-HRV) and 80% for small fibre neuropathy (CNFD). The diagnostic efficacy of the continuous Neuropad output for abnormal DB-HRV (AUC: 91%, P = 0.0003) and CNFD (AUC: 82%, P = 0.01) was better than for PMNCV (AUC: 60%). The categorical output showed no significant difference in diagnostic efficacy for these same measures. An image analysis algorithm generating a continuous output (Sudometrics) improved the diagnostic ability of Neuropad, particularly in detecting autonomic and small fibre neuropathy.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».