Predictive variables for peripheral neuropathy in treated HIV type 1 infection revealed by machine learning
Notice bibliographique
Résumé
OBJECTIVE: Peripheral neuropathies (PNPs) in HIV-infected patients are highly debilitating because of neuropathic pain and physical disabilities. We defined prevalence and associated predictive variables for PNP subtypes in a cohort of persons living with HIV. DESIGN: Adult persons living with HIV in clinical care were recruited to a longitudinal study examining neurological complications. METHODS: Each patient was assessed for symptoms and signs of PNP with demographic, laboratory, and clinical variables. Univariate, multiple logistic regression and machine learning analyses were performed by comparing patients with and without PNP. RESULTS: Three patient groups were identified: PNP (n = 111) that included HIV-associated distal sensory polyneuropathy (n = 90) or mononeuropathy (n = 21), and non-neuropathy (n = 408). Univariate analyses showed multiple variables differed significantly between the non-neuropathy and PNP groups including age, estimated HIV type 1 (HIV-1) duration, education, employment, neuropathic pain, peak viral load, polypharmacy, diabetes, cardiovascular disorders, AIDS, and prior neurotoxic nucleoside antiretroviral drug exposure. Classification algorithms distinguished those with PNP, all with area under the receiver operating characteristic curve values of more than 0.80. Random forest models showed greater accuracy and area under the receiver operating characteristic curve values compared with the multiple logistic regression analysis. Relative importance plots showed that the foremost predictive variables of PNP were HIV-1 duration, peak plasma viral load, age, and low CD4+ T-cell levels. CONCLUSION: PNP in HIV-1 infection remains common affecting 21.4% of patients in care. Machine-learning models uncovered variables related to PNP that were undetected by conventional analyses, emphasizing the importance of statistical algorithmic approaches to understanding complex neurological syndromes.
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 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 | 0,000 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».