Estimating the health‐related quality of life of kidney stone patients: initial results from the Wisconsin Stone Quality of Life Machine‐Learning Algorithm (WISQOL‐MLA)
Notice bibliographique
Résumé
OBJECTIVE: To build the Wisconsin Stone Quality of Life Machine-Learning Algorithm (WISQOL-MLA) to predict urolithiasis patients' health-related quality of life (HRQoL) based on demographic, symptomatic and clinical data collected for the validation of the Wisconsin Stone Quality-of-Life (WISQOL) questionnaire, an HRQoL measurement tool designed specifically for patients with kidney stones. MATERIAL AND METHODS: We used data from 3206 stone patients from 16 centres. We used gradient-boosting and deep-learning models to predict HRQoL scores. We also stratified HRQoL scores by quintile. The dataset was split using a standard 70%/10%/20% training/validation/testing ratio. Regression performance was evaluated using Pearson's correlation. Classification was evaluated with an area under the receiver-operating characteristic curve (AUROC). RESULTS: Gradient boosting obtained a test correlation of 0.62. Deep learning obtained a correlation of 0.59. Multivariate regression achieved a correlation of 0.44. Quintile stratification of all patients in the WISQOL dataset obtained an average test AUROC of 0.70 for the five classes. The model performed best in identifying the lowest (0.79) and highest quintiles (0.83) of HRQoL. Feature importance analysis showed that the model weighs in clinically relevant factors to estimate HRQoL, such as symptomatic status, body mass index and age. CONCLUSIONS: Harnessing the power of the WISQOL questionnaire, our initial results indicate that the WISQOL-MLA can adequately predict a stone patient's HRQoL from readily available clinical information. The algorithm adequately relies on relevant clinical factors to make its HRQoL predictions. Future improvements to the model are needed for direct clinical applications.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,001 |
| 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 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 ».