Machine Learning Revealed New Correlates of Chronic Pelvic Pain in Women
Notice bibliographique
Résumé
Chronic pelvic pain affects one in seven women worldwide, and there is an urgent need to reduce its associated significant costs and to improve women's health. There are many correlated factors associated with chronic pelvic pain (CPP), and analyzing them simultaneously can be complex and involves many challenges. A newly developed interaction ensemble, referred to as INTENSE, was implemented to investigate this research gap. When applied, INTENSE aggregates three machine learning (ML) methods, which are unsupervised, as follows: interaction principal component analysis (IPCA), hierarchical cluster analysis (HCA), and centroid-based clustering (CBC). For our proposed research, we used INTENSE to uncover novel knowledge, which revealed new interactions in a sample of 656 patients among 25 factors: age, parity, ethnicity, body mass index, endometriosis, irritable bowel syndrome, painful bladder syndrome, pelvic floor tenderness, abdominal wall pain, depression score, anxiety score, Pain Catastrophizing Scale, family history of chronic pain, new or re-referral, age when first experienced pain, pain duration, surgery helpful for pain, infertility, smoking, alcohol use, trauma, dysmenorrhea, deep dyspareunia, CPP, and the Endometriosis Health Profile for functional quality of life. INTENSE indicates that CPP and the Endometriosis Health Profile are correlated with depression score, anxiety score, and the Pain Catastrophizing Scale. Other insights derived from these ML methods include the finding that higher body mass index was clustered with smoking and a history of life trauma. As well, sexual pain (deep dyspareunia) was found to be associated with musculoskeletal pain contributors (abdominal wall pain and pelvic floor tenderness). Therefore, INTENSE provided expert-like reasoning without training any model or prior knowledge of CPP. ML has the potential to identify novel relationships in the etiology of CPP, and thus can drive innovative future research.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».