Personalized risk‐based screening for diabetic retinopathy: A multivariate approach versus the use of stratification rules
Notice bibliographique
Résumé
AIMS: To evaluate our proposed multivariate approach to identify patients who will develop sight-threatening diabetic retinopathy (STDR) within a 1-year screen interval, and explore the impact of simple stratification rules on prediction. MATERIALS AND METHODS: A 7-year dataset (2009-2016) from people with diabetes (PWD) was analysed using a novel multivariate longitudinal discriminant approach. Level of diabetic retinopathy, assessed from routine digital screening photographs of both eyes, was jointly modelled using clinical data collected over time. Simple stratification rules based on retinopathy level were also applied and compared with the multivariate discriminant approach. RESULTS: Data from 13 103 PWD (49 520 screening episodes) were analysed. The multivariate approach accurately predicted whether patients developed STDR or not within 1 year from the time of prediction in 84.0% of patients (95% confidence interval [CI] 80.4-89.7), compared with 56.7% (95% CI 55.5-58.0) and 79.7% (95% CI 78.8-80.6) achieved by the two stratification rules. While the stratification rules detected up to 95.2% (95% CI 92.2-97.6) of the STDR cases (sensitivity) only 55.6% (95% CI 54.5-56.7) of patients who did not develop STDR were correctly identified (specificity), compared with 85.4% (95% CI 80.4-89.7%) and 84.0% (95% CI 80.7-87.6%), respectively, achieved by the multivariate risk model. CONCLUSIONS: Accurate prediction of progression to STDR in PWD can be achieved using a multivariate risk model whilst also maintaining desirable specificity. While simple stratification rules can achieve good levels of sensitivity, the present study indicates that their lower specificity (high false-positive rate) would therefore necessitate a greater frequency of eye examinations.
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 | 0,007 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».