Machine Learning Model for Predicting Outcomes of Biologic Therapy in Psoriasis
Notice bibliographique
Résumé
Abstract Background Biological agents used for the therapy of psoriasis lose efficacy over time, which leads to discontinuation of the drug. Optimization of long-term biologic treatment is an area of medical need but there are currently no prediction tools for biologic drug discontinuation. Objective To compare the accuracy of the risk factor-based frequentist statistical model to machine learning to predict the 5-year probability of biologic drug discontinuation. Methods The national Danish psoriasis biologic therapy registry, Dermbio, comprising 6,172 treatment series with anti-TNF (Etanercept, Infliximab, Adalimumab), Ustekinumab, Guselkumab and anti-IL17 (Secukinumab and Ixekizumab) in 3,388 unique patients was used as data source. Hazard ratios (HR) were computed for all available predictive factors using Cox regression analysis. Different machine learning (ML) models for the prediction of 5-year risk of drug discontinuation were trained using the 5-fold cross validation technique and using 10 clinical features routinely assessed in psoriasis patients as input variables. Model performance was assessed using the area under the receiver operating characteristic curve (AUC). Results The lowest 5-year risk of discontinuation was associated with therapy with ustekinumab or ixekizumab, male sex and no previous exposure to biologic therapy. The predictive model based on those risk factors had an AUC of 0.61. The best ML model (gradient boosted tree) had an AUC of 0.85. Conclusions A machine learning-based approach, more than a statistical model, accurately predicts the risk of discontinuation of biologic therapy based on simple patient variables available in clinical practice. ML might be incorporated into clinical decision making.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».