Multi-modality data-driven analysis of diagnosis and treatment of psoriatic arthritis
Notice bibliographique
Résumé
Psoriatic arthritis (PsA) is associated with psoriasis, featured by its irreversible joint symptoms. Despite the significant impact on the healthcare system, it is still challenging to leverage machine learning or statistical models to predict PsA and its progression, or analyze drug efficacy. With 3961 patients' clinical records, we developed a machine learning model for PsA diagnosis and analysis of PsA progression risk, respectively. Furthermore, general additive models (GAMs) and the Kaplan-Meier (KM) method were applied to analyze the efficacy of various drugs on psoriasis treatment and inhibiting PsA progression. The independent experiment on the PsA prediction model demonstrates outstanding prediction performance with an AUC score of 0.87 and an AUPR score of 0.89, and the Jackknife validation test on the PsA progression prediction model also suggests the superior performance with an AUC score of 0.80 and an AUPR score of 0.83, respectively. We also identified that interleukin-17 inhibitors were the more effective drug for severe psoriasis compared to other drugs, and methotrexate had a lower effect in inhibiting PsA progression. The results demonstrate that machine learning and statistical approaches enable accurate early prediction of PsA and its progression, and analysis of drug efficacy.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».