I14 Predicting individual disease progression in huntington’s disease using mixed models and transition models
Notice bibliographique
Résumé
Background and aim We aimed to compare different statistical methods for predicting clinical progression, among individuals with Huntington’s disease (HD). Methods We compared the following methods: (1) Multiple Linear Regression, (2) Linear Mixed Models with different covariance structures (no correlation, autoregressive(AR)), and (3) Transition Models (Panel Models). We built models to predict the most commonly used clinical trial outcomes: (1) motor function (measured by the Total Motor Score on the UHDRS) and (2) daily function (measured by the Total Functional Capacity). Potential predictors considered included Cytosine-Adenine-Guanine repeat expansion length, age of onset, and years since diagnosis. We used genetic and longitudinal clinical data collected for the Cooperative Observational Research Trial (COHORT) study, led by the Huntington Study Group (United States, Canada, and Australia, 2006–2011). Data was randomly split into a training set (2/3) and testing set (1/3). We selected predictors for models using the Bayesian Information Criterion. We compared the predictive accuracy of different models using the Mean Squared Prediction Error. Results Overall, models that took into account longitudinal functional scores for individuals (Mixed Models with AR covariate structure, and Transition Model) performed better than Multiple Linear Regression. However the Prediction Intervals were wide. Under 17% of participants had data for four or more visits, limiting our ability to use higher order AR structures for the Mixed and Transition Models. Conclusions Mixed and Transition models improved prediction of individual disease progression in HD compared to Multiple Linear Regression, although current level of predictive accuracy is not high enough for clinical use.
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 | 0,022 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,005 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».