Classifying patients with psoriatic arthritis according to their disease activity status using serum metabolites and machine learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Psoriatic arthritis (PsA) is a heterogeneous inflammatory arthritis, affecting approximately a quarter of patients with psoriasis. Accurate assessment of disease activity is difficult. There are currently no clinically validated biomarkers to stratify PsA patients based on their disease activity, which is important for improving clinical management. OBJECTIVES: To identify metabolites capable of classifying patients with PsA according to their disease activity. METHODS: An in-house solid-phase microextraction (SPME)-liquid chromatography-high resolution mass spectrometry (LC-HRMS) method for lipid analysis was used to analyze serum samples obtained from patients classified as having low (n = 134), moderate (n = 134) or high (n = 104) disease activity, based on psoriatic arthritis disease activity scores (PASDAS). Metabolite data were analyzed using eight machine learning methods to predict disease activity levels. Top performing methods were selected based on area under the curve (AUC) and significance. RESULTS: The best model for predicting high disease activity from low disease activity achieved AUC 0.818. The best model for predicting high disease activity from moderate disease activity achieved AUC 0.74. The best model for classifying low disease activity from moderate and high disease activity achieved AUC 0.765. Compounds confirmed by MS/MS validation included metabolites from diverse compound classes such as sphingolipids, phosphatidylcholines and carboxylic acids. CONCLUSION: Several lipids and other metabolites when combined in classifying models predict high disease activity from both low and moderate disease activity. Lipids of key interest included lysophosphatidylcholine and sphingomyelin. Quantitative MS assays based on selected reaction monitoring, are required to quantify the candidate biomarkers identified.
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.
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 découle