Predicting Treatment Nonresponse in Hispanic/Latino Children Receiving Silver Diamine Fluoride for Caries Arrest: A Pilot Study Using Machine Learning
Notice bibliographique
Résumé
Objectives: Silver diamine fluoride (SDF) is a nonsurgical therapy for the arrest and prevention of dental caries with demonstrated clinical efficacy. Approximately 20% of children receiving SDF fail to respond to treatment. The objective of this study was to develop a predictive model of treatment non-response using machine learning. Methods: An observational pilot study ( N = 20) consisting of children with and without active decay and who did and did not respond to silver diamine fluoride provided salivary samples and plaque from infected and contralateral sites. 16S rRNA genes from samples were amplified and sequenced on an Illumina Miseq and analyzed using QIIME. The association between operational taxonomic units and treatment non-response was assessed using lasso regression and artificial neural networks. Results: Bivariate group comparisons of bacterial abundance indicate a number of genera were significantly different between non-responders and those who responded to SDF therapy. No differences were found between non-responders and caries-active subjects. Prevotella pallens and Veillonella denticariosi were retained in full lasso models and combined with clinical variables in a six-input multilayer perceptron. Discussion: The acidogenic and acid-tolerant nature of retained bacterial species may overcome the antimicrobial effects of SDF. Further research to validate the model in larger external samples is needed.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 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 ».