Developing a prediction model of children asthma risk using population‐based family history health records
Notice bibliographique
Résumé
BACKGROUND: Identifying children at high risk of developing asthma can facilitate prevention and early management strategies. We developed a prediction model of children's asthma risk using objectively collected population-based children and parental histories of comorbidities. METHODS: We conducted a retrospective population-based cohort study using administrative data from Manitoba, Canada, and included children born from 1974 to 2000 with linkages to ≥1 parent. We identified asthma and prior comorbid condition diagnoses from hospital and outpatient records. We used two machine-learning models: least absolute shrinkage and selection operator (LASSO) logistic regression (LR) and random forest (RF) to identify important predictors. The predictors in the base model included children's demographics, allergic conditions, respiratory infections, and parental asthma. Subsequent models included additional multiple comorbidities for children and parents. RESULTS: The cohort included 195,666 children: 51.3% were males and 17.7% had asthma diagnosis. The base LR model achieved a low predictive performance with sensitivity of 0.47, 95% confidence interval (0.45-0.48), and specificity of 0.67 (0.66-0.67) using a predicted probability threshold of 0.20. Sensitivity significantly improved when children's comorbidities were included using LASSO LR: 0.71 (0.69-0.72). Predictive performance further improved by including parental comorbidities (sensitivity = 0.72 [0.70-0.73], specificity = 0.69 [0.69-0.70]). We observed similar results for the RF models. Children's menstrual disorders and mood and anxiety disorders, parental lipid metabolism disorders and asthma were among the most important variables that predicted asthma risk. CONCLUSION: Including children and parental comorbidities to children's asthma prediction models improves their accuracy.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».