Correction to: Cystic fibrosis–related diabetes onset can be predicted using biomarkers measured at birth
Notice bibliographique
Résumé
The original article can be found online at https://doi.org/10.1038/s41436-020-01073-x. Correction to: Genetics in Medicine23: 927–933; https://doi.org/10.1038/s41436-020-01073-x; Article published online 26 January 2021 The risk alleles of rs1964986 (PRSS1) and rs959173 (CAV1) should be the C allele for both variants instead of the A and T alleles listed in the paper. The changes have been reflected in both Figure 1 and Table 2 shown below.Table 2Effect sizes (hazard ratios) and the 95% confidence intervals (CIs) fitted using a multivariate Cox PH model in the CGS. Risk allele/risk group noted in parentheses after the listed predictor.Gene annotationPredictorHazard ratio95% CICFTRCFTR mutation score3.02(2.01, 4.54)—Sex (female)1.48(1.26, 1.74)SLC5A8rs12318809 (G)1.35(1.16, 1.57)CAV1rs959173 (C)1.27(1.10, 1.47)PRSS1rs1964986 (C)1.23(1.09, 1.38)SLC26A9rs4077468 (A)1.20(1.07, 1.34)NRG1rs7822917 (T)1.31(1.16, 1.48)—Meconium ileus (MI)1.29(1.05, 1.59)TCF7L2rs7903146 (T)1.18(1.05, 1.34) Open table in a new tab The original article has been corrected. Cystic fibrosis–related diabetes onset can be predicted using biomarkers measured at birthGenetics in MedicineVol. 23Issue 5PreviewCystic fibrosis (CF), caused by pathogenic variants in the CF transmembrane conductance regulator (CFTR), affects multiple organs including the exocrine pancreas, which is a causal contributor to cystic fibrosis–related diabetes (CFRD). Untreated CFRD causes increased CF-related mortality whereas early detection can improve outcomes. Full-Text PDF Open Access
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 | 0,004 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,007 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,090 | 0,043 |
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 ».