Statistical models for predicting response to interferon‐α and spontaneous seroconversion in children with chronic hepatitis B
Notice bibliographique
Résumé
To develop prognostic models for identifying children with hepatitis B who are likely to respond to interferon-alpha (IFN-alpha) or to spontaneously seroconvert, we evaluated results of a multinational controlled trial comprising 70 children with chronic hepatitis B who received IFN-alpha and 74 children who did not receive therapy. Prognostic models were developed using SMILES (similarity of least squares), which is a data analysis network that incorporates multidimensional relationships in the clinical data of complex diseases. Commonly collected clinical data included age, gender, serum aminotransferase (aspartate aminotransferase [AST] and alanine aminotransferase [ALT]) and hepatitis B virus (HBV) DNA levels, and IFN-alpha dose. Additional data included pretreatment directional information (e.g. increases or decreases in serum aminotransferase and HBV DNA levels), liver biopsy results, race and transmission mode. Using data available prior to initiation of treatment, the SMILES models achieved prospective predictions of 89% for responders, 96% for non-responders, 100% for seroconverters and 93% for non-seroconverters. Although not predictive by themselves, the variables that had the greatest impact on predictions for IFN-alpha response were HBV DNA pretreatment direction, baseline HBV DNA, IFN-alpha dose and gender. The variables that had the greatest impact on predictions for spontaneous seroconversion were ALT pretreatment direction, baseline HBV DNA level, age and AST pretreatment direction. Therefore, these models may be useful in determining, in children with hepatitis B, the likelihood of response to IFN-alpha and spontaneous seroconversion.
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) | 0,001 | 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 ».