Serum adipokines/related inflammatory factors and ratios as predictors of infrapatellar fat pad volume in osteoarthritis: Applying comprehensive machine learning approaches
Notice bibliographique
Résumé
OBJECTIVE: The infrapatellar fat pad (IPFP) has been associated with knee osteoarthritis onset and progression. This study uses machine learning (ML) approaches to predict serum levels of some adipokines/related inflammatory factors and their ratios on knee IPFP volume of osteoarthritis patients. METHODS: Serum and MRI were from the OAI at baseline. Variables comprised the 3 main osteoarthritis risk factors (age, gender, BMI), 6 adipokines, 3 inflammatory factors, and their 36 ratios. IPFP volume was assessed on MRI with a ML methodology. The best variables and models were identified in Total-cohort (n = 678), High-BMI (n = 341) and Low-BMI (n = 337), using a selection approach based on ML methods. RESULTS: The best model for each group included three risk factors and adipsin/C-reactive protein combined for Total-cohort, adipsin/chemerin; High-BMI, chemerin/adiponectin HMW; and Low-BMI, interleukin-8. Gender separation improved the prediction (13-16%) compared to the BMI-based models. Reproducibility with osteoarthritis patients from a clinical trial was excellent (R: female 0.83, male 0.95). Pseudocodes based on gender were generated. CONCLUSION: This study demonstrates for the first time that the combination of the serum levels of adipokines/inflammatory factors and the three main risk factors of osteoarthritis could predict IPFP volume with high reproducibility, with the superior performance of the model accounting for gender separation.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».