Identification by cluster analysis of patients with asthma and nasal symptoms using the MASK-air® mHealth app
Notice bibliographique
Résumé
BACKGROUND: The self-reporting of asthma frequently leads to patient misidentification in epidemiological studies. Strategies combining the triangulation of data sources may help to improve the identification of people with asthma. We aimed to combine information from the self-reporting of asthma, medication use and symptoms to identify asthma patterns in the users of an mHealth app. METHODS: We studied MASK-air® users who reported their daily asthma symptoms (assessed by a 0-100 visual analogue scale - "VAS Asthma") at least three times (either in three different months or in any period). K-means cluster analysis methods were applied to identify asthma patterns based on: (i) whether the user self-reported asthma; (ii) whether the user reported asthma medication use and (iii) VAS asthma. Clusters were compared by the number of medications used, VAS asthma levels and Control of Asthma and Allergic Rhinitis Test (CARAT) levels. FINDINGS: We assessed a total of 8,075 MASK-air® users. The main clustering approach resulted in the identification of seven groups. These groups were interpreted as probable: (i) severe/uncontrolled asthma despite treatment (11.9-16.1% of MASK-air® users); (ii) treated and partly-controlled asthma (6.3-9.7%); (iii) treated and controlled asthma (4.6-5.5%); (iv) untreated uncontrolled asthma (18.2-20.5%); (v) untreated partly-controlled asthma (10.1-10.7%); (vi) untreated controlled asthma (6.7-8.5%) and (vii) no evidence of asthma (33.0-40.2%). This classification was validated in a study of 192 patients enrolled by physicians. INTERPRETATION: We identified seven profiles based on the probability of having asthma and on its level of control. mHealth tools are hypothesis-generating and complement classical epidemiological approaches in identifying patients with asthma.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».