P.107 Personalized prediction of future lesion activity and treatment effect in multiple sclerosis from baseline MRI
Notice bibliographique
Résumé
Background: Precision medicine for multiple sclerosis (MS) involves choosing a treatment that best balances efficacy and disadvantages such as side effects, cost, and inconvenience, based on an individual’s unique characteristics. Machine learning can be used to model the relationship between a baseline brain MRI and future new and enlarging T2 (NE-T2) lesion count to provide personalized treatment recommendations. Methods: We present a multi-head, deep neural network for making individualized treatment decisions from baseline MRI and clinical information which (a) predicts future NE-T2 lesion counts on multiple treatments and (b) estimates the conditional average treatment effect (CATE), as defined by the predicted suppression of NE-T2 lesions, between different treatment options and placebo. We validate our model on a dataset pertaining to 1817 patients from four randomized clinical trials. Results: Our model predicts favorable outcomes (< 3 NE-T2 at follow-up) with average precision 0.780-0.994 across 5 different treatment arms. It correctly identifies subgroups with different treatment effect sizes and provides treatment recommendations that improve lesion suppression while limiting the need for high efficacy treatments. Conclusions: Our framework provides accurate predictions for future NE-T2 lesion counts and personalized treatment recommendations that improve outcomes while accounting for the disadvantages of different treatment options.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».