Machine learning can predict patterns of pulmonary function
Notice bibliographique
Résumé
Background: Respiratory oscillometry (Osc) is pulmonary function (PF) modality that measures respiratory mechanics; however, interpretation of Osc is challenging. Hypothesis: Machine learning (ML) facilitates Osc interpretation. Objective: To develop a novel ML architecture to classify patterns of PF and compare its accuracy to expert opinion and a physician verified label. Methods: Data were taken from 245 subjects with 1924 valid 10 Hz mono-frequency Osc tests. Full PF tests and clinical data were used for the gold standard label. Osc measurements of flow, volume, and pressure were inputted for ML and randomly partitioned into training and validation (70:30) sets based on unique subject count. The MiniROCKET algorithm was applied to generate features from the input data which were resolved by a ridge regression classifier to different patterns of PF. A soft voting scheme was implemented on the output classifier scores to reach a final prediction for each Osc test. Results were averaged over 10 experimental runs. ML performance was compared to 11 experts in the interpretations of 72 randomly selected oscillograms. Results: Validation accuracy of ML was 86±4% overall, with highest accuracy in identifying normal (N) and restrictive (R) patterns (91±2%). ML was significantly better than expert interpretations of 72 Osc tests for recognizing all but obstructive (O) patterns, with highest accuracy in identifying N patterns (p<0.001). Conclusions: ML can resolve mono-frequency Osc recordings to N, R, and mixed O-R patterns with significantly greater accuracy than experts in the field.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».