Predicting the hearing outcome in sudden sensorineural hearing loss via machine learning models
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
OBJECTIVE: Sudden sensorineural hearing loss (SSHL) is a multifactorial disorder with high heterogeneity, thus the outcomes vary widely. This study aimed to develop predictive models based on four machine learning methods for SSHL, identifying the best performer for clinical application. DESIGN: Single-centre retrospective study. SETTING: Chinese People's liberation army (PLA) hospital, Beijing, China. PARTICIPANTS: A total of 1220 in-patient SSHL patients were enrolled between June 2008 and December 2015. MAIN OUTCOME MEASURES: An advanced deep learning technique, deep belief network (DBN), together with the conventional logistic regression (LR), support vector machine (SVM) and multilayer perceptron (MLP) were developed to predict the dichotomised hearing outcome of SSHL by inputting six feature collections derived from 149 potential predictors. Accuracy, precision, recall, F-score and the area under the receiver operator characteristic curves (ROC-AUC) were exploited to compare the prediction performance of different models. RESULTS: Overall the best predictive ability was provided by the DBN model when tested in the raw data set with 149 variables, achieving an accuracy of 77.58% and AUC of 0.84. Nevertheless, DBN yielded inferior performance after feature pruning. In contrast, the LR, SVM and MLP models demonstrated opposite trend as the greatest individual prediction powers were obtained when included merely three variables, with the ROC-AUC ranging from 0.79 to 0.81, and then decreased with the increasing size of input features combinations. CONCLUSIONS: With the input of enough features, DBN can be a robust prediction tool for SSHL. But LR is more practical for early prediction in routine clinical application using three readily available variables, that is time elapse between symptom onset and study entry, initial hearing level and audiogram.
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 | 0,001 | 0,004 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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