Prediction of damage trajectories in systemic sclerosis using group-based trajectory modelling
Notice bibliographique
Résumé
OBJECTIVES: Damage accrual in SSc can be tracked using the Scleroderma Clinical Trials Consortium Damage Index (DI). Our goal was to develop a prediction model for damage accrual in SSc patients with early disease. METHODS: Using patients with <2 years disease duration from Canada and Australia as a derivation cohort, and from the Netherlands as a validation cohort, we used group-based trajectory modelling (GBTM) to determine 'good' and 'bad' latent damage trajectories. We developed a prediction model from this analysis and applied it to patients from derivation and validation cohorts. We plotted the actual DI trajectories of the patients predicted to be in 'good' or 'bad' groups. RESULTS: We found that the actual trajectories of damage accumulation for lcSSc and dcSSc were very different, so we studied each subset separately. GBTM found two distinct trajectories in lcSSc and three in dcSSc. We collapsed the two worse trajectories in the dcSSc into one group and developed a prediction model for inclusion in either 'good' or 'bad' trajectories. The performance of models using only baseline DI and sex was excellent with ROC AUC of 0.9313 for lcSSc and 0.9027 for dcSSc. Using this model, we determined whether patients would fall into 'good' or 'bad' trajectory groups and then plotted their actual trajectories which showed clear differences between the predicted 'good' and 'bad' cases in both derivation and validation cohorts. CONCLUSIONS: A simple model using only cutaneous subset, baseline DI and sex can predict damage accumulation in early SSc.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».