MétaCan
Menu
Retour à la cohorte
Enregistrement W4366609951 · doi:10.1136/ard-2022-223808

Machine learning identifies clusters of longitudinal autoantibody profiles predictive of systemic lupus erythematosus disease outcomes

2023· article· en· W4366609951 sur OpenAlexafffund
May Y. Choi, Irene A. Chen, Ann E. Clarke, Marvin J. Fritzler, Katherine A Buhler, Murray B. Urowitz, John G. Hanly, Yvan St‐Pierre, Caroline Gordon, Sang‐Cheol Bae, Juanita Romero‐Díaz, Jorge Sánchez‐Guerrero, Sasha Bernatsky, Daniel J. Wallace, David Isenberg, Anisur Rahman, Joan T. Merrill, Paul R. Fortin, Dafna D. Gladman, Ian N Bruce, Michelle Petri, Ellen M. Ginzler, Mary Anne Dooley, Rosalind Ramsey‐Goldman, Susan Manzi, Andreas Jönsen, Graciela S. Alarcón, Ronald van Vollenhoven, Cynthia Aranow, Meggan Mackay, Guillermo Ruiz‐Irastorza, Sam Lim, Murat İnanç, Kenneth Kalunian, Søren Jacobsen, Christine Peschken, Diane L. Kamen, Anca Askanase, Jill P. Buyon, David Sontag, Karen H. Costenbader

Notice bibliographique

RevueAnnals of the Rheumatic Diseases · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueSystemic Lupus Erythematosus Research
Établissements canadiensMount Sinai HospitalMcGill University Health CentreUniversity Health NetworkUniversity of TorontoDalhousie UniversityUniversity of ManitobaToronto Western HospitalUniversité LavalQueen Elizabeth II Health Sciences CentreUniversity of Calgary
Organismes subventionnairesNational Center for Research ResourcesLupus Foundation of AmericaCanada Research ChairsCanadian Institutes of Health ResearchLUPUS UKNational Institute for Health and Care ResearchVersus ArthritisNational Institute of Arthritis and Musculoskeletal and Skin DiseasesArthritis SocietySandwell and West Birmingham Hospitals NHS TrustNational Center for Advancing Translational SciencesWellcome TrustNational Research Foundation of Korea
Mots-clésMedicineAutoantibodyDiseaseImmunologySystemic diseaseSystemic lupus erythematosusInternal medicineAntibody

Résumé

récupéré en direct d'OpenAlex
Aucun résumé dans les sources couvertes. Son absence est consignée, pas traitée comme un négatif.

Aucun résumé. Ce n'est pas une lacune de cette base de données : OpenAlex n'en a pas non plus. 23,3 % de la base est dans cet état, et le tri y repère MOITIÉ moins de métarecherche ; l'absence est donc un biais mesuré, et non un champ manquant.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,062
Score d'incertitude au seuil0,816

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,045
Tête enseignante GPT0,338
Écart entre enseignants0,293 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations81
Publié2023
Routes d'admission2
Résumé présentnon

Explorer davantage

Même revueAnnals of the Rheumatic DiseasesMême sujetSystemic Lupus Erythematosus ResearchTravaux en français237 207