Prediction of polyneuropathy in recent-onset diabetes: A machine learning algorithm using blood-based protein biomarkers and standard demographic and clinical features
Notice bibliographique
Résumé
Background Blood-based protein biomarkers may be an attractive diagnostic tool to detect diabetic sensorimotor polyneuropathy (DSPN) in routine clinical examinations. We aimed to compare a protein-based model with a model using traditional risk factors in detecting the presence of DSPN in individuals recently diagnosed with diabetes from the German Diabetes Study. Methods A total of 135 inflammatory and neuronal protein biomarkers were measured using proximity extension assay in blood samples of 66 and 357 individuals with and without DSPN, respectively, based on the Toronto Consensus Criteria. We constructed (i) a protein-based prediction model using lasso logistic regression, (ii) an optimized traditional risk model with age, sex, waist circumference, and diabetes type as demographic/clinical attributes selected a priori, and (iii) a model combining both. The AUC (95% CI) and robust bootstrapping assessed predictive performances. Results Lasso logistic regression selected the neurofilament light chain (NFL) and fibroblast growth factor 19 (FGF-19) as the most predictive protein biomarkers for detecting DSPN in individuals with recent-onset diabetes. The proteomics model achieved an AUC of 0.66 (0.59, 0.74), while the demographic/clinical model had an AUC of 0.68 (0.62, 0.76). However, combined features boosted the model performance to an AUC of 0.75 (0.68, 0.82). Conclusion A model combining two objective blood-based biomarkers (NFL and FGF-19) and four standard demographic and clinical parameters (age, sex, waist circumference and diabetes type) has an acceptable performance for detecting early DSPN. This model could complement clinical and neurophysiological testing.
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 | 0,001 | 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 ».