Quantum-Inspired Interpretable AI-Empowered Decision Support System for Detection of Early-Stage Rheumatoid Arthritis in Primary Care Using Scarce Dataset
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Rheumatoid arthritis (RA) is a chronic inflammatory and long-term autoimmune disease that can lead to joint and bone erosion. This can lead to patients’ disability if not treated in a timely manner. Early detection of RA in settings such as primary care (as the first contact with patients) can have an important role on the timely treatment of the disease. We aim to develop a web-based Decision Support System (DSS) to provide a proper assistance for primary care providers in early detection of RA patients. Using Sparse Fuzzy Cognitive Maps, as well as quantum-learning algorithm, we developed an online web-based DSS to assist in early detection of RA patients, and subsequently classify the disease severity into six different levels. The development process was completed in collaborating with two specialists in orthopedic as well as rheumatology orthopedic surgery. We used a sample of anonymous patient data for development of our model which was collected from Shohada University Hospital, Tabriz, Iran. We compared the results of our model with other machine learning methods (e.g., linear discriminant analysis, Support Vector Machines, and K-Nearest Neighbors). In addition to outperforming other methods of machine learning in terms of accuracy when all of the clinical features are used (accuracy of 69.23%), our model identified the relation of the different features with each other and gave higher explainability comparing to the other methods. For future works, we suggest applying the proposed model in different contexts and comparing the results, as well as assessing its usefulness in clinical practice.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle