The Development of Artificial Neural Networks to Predict Virological response to Combination HIV Therapy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: When used in combination, antiretroviral drugs are highly effective for suppressing HIV replication. Nevertheless, treatment failure commonly occurs and is generally associated with viral drug resistance. The choice of an alternative regimen may be guided by a drug-resistance test. However, interpretation of resistance from genotypic data poses a major challenge. METHODS: As an alternative to current interpretation systems, we have developed artificial neural network (ANN) models to predict virological response to combination therapy from HIV genotype and other clinical information. RESULTS: ANN models trained with genotype, baseline viral load and time to follow-up viral load (1154 treatment change episodes from multiple clinics), produced predictions of virological response that were highly significantly correlated with actual responses (r2 = 0.53; P < 0.00001) using independent test data from clinics that contributed training data. Augmented models, trained with the additional variables of baseline CD4+ T-cell count and four treatment history variables, were more accurate, explaining 69% of the variance in virological response. Models trained with the full input dataset, but only those data involving highly active antiretroviral therapy (three or more full-dose antiretroviral drugs in combination), performed at an intermediate level, explaining 61% of the variance. The augmented models performed less well when tested with data from unfamiliar clinics that had not contributed data to the training dataset, explaining 46% of the variance in response. CONCLUSION: These data indicate that ANN models can be quite accurate predictors of virological response to HIV therapy even for patients from unfamiliar clinics. ANN models therefore warrant further development as a potential tool to aid treatment selection.
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.
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 | 0,002 | 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 découle