Machine learning in primary biliary cholangitis: A novel approach for risk stratification
Notice bibliographique
Résumé
BACKGROUND & AIMS: Machine learning (ML) provides new approaches for prognostication through the identification of novel subgroups of patients. We explored whether ML could support disease sub-phenotyping and risk stratification in primary biliary cholangitis (PBC). METHODS: ML was applied to an international dataset of PBC patients. The dataset was split into a derivation cohort (training set) and a validation cohort (validation set), and key clinical features were analysed. The outcome was a composite of liver-related death or liver transplantation. ML and standard survival analysis were performed. RESULTS: The training set was composed of 11,819 subjects, while the validation set was composed of 1,069 subjects. ML identified four clusters of patients characterized by different phenotypes and long-term prognosis. Cluster 1 (n = 3566) included patients with excellent prognosis, whereas Cluster 2 (n = 3966) consisted of individuals at worse prognosis differing from Cluster 1 only for albumin levels around the limit of normal. Cluster 3 (n = 2379) included young patients with florid cholestasis and Cluster 4 (n = 1908) comprised advanced cases. Further sub-analyses on the dynamics of albumin within the normal range revealed that ursodeoxycholic acid-induced increase of albumin >1.2 x lower limit of normal (LLN) is associated with improved transplant-free survival. CONCLUSIONS: Unsupervised ML identified four novel groups of PBC patients with different phenotypes and prognosis and highlighted subtle variations of albumin within the normal range. Therapy-induced increase of albumin >1.2 x LLN should be considered a treatment goal.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».