The Application of Machine Learning in Clustering Borderline Mild Cognitive Impairment among Aging Thai People Living with HIV
Notice bibliographique
Résumé
Many people living with HIV (PLWH) have cognitive impairment. Details of cognitive impairment subtypes are lacking.�Unsupervised machine learning�(ML)�can reveal hidden subgroups within heterogeneous data. The study aimed to determine clusters of aging Thai PLWH with borderline cognitive impairment using unsupervised�ML. HIV-NAT 207 study enrolled Thai PLWH aged ?50 years. Cognitive performance was evaluated by the Thai-validated Montreal Cognitive Assessment (MoCA).�This study included participants who scored between 23 and�27. The score of each cognitive domain served as cluster variables for the K-means algorithm. Among 340 PLWH, 177 (52.1%) scored between 23 and 27.�Median�age was 54 (IQR = 51-58) years, 118 (66.7%) were male, median CD4 was 620 (IQR = 489-795) cells/?L, and 170 (96.1%) were virally suppressed. K-means cluster demonstrated five clusters�of all participants: 22.0% cluster 1 (marked memory with mild language impairment), 25.4% cluster 2 (mild visuospatial/executive function-language-memory impairment), 19.2% cluster 3 (moderate abstraction with mild visuospatial/executive function-language-memory impairment), 18.6% cluster 4 (marked language with mild memory impairment), 14.7% cluster 5 (marked language-abstraction impairment). A longitudinal study is warranted to identify differences in clinical significance and prognosis between each cluster.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 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) | 0,001 | 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 ».