Classifying Future Healthcare Utilization in COPD Using Quantitative CT Lung Imaging and Two-Step Feature Selection via Sparse Subspace Learning with the CanCOLD Study
Notice bibliographique
Résumé
Rationale Although numerous candidate features exist for predicting risk of higher risk of healthcare utilization in patients with chronic obstructive pulmonary disease (COPD), the process for selecting the most discriminative features remains unclear. Objective The objective of this study was to develop a robust feature selection method to identify the most discriminative candidate features for predicting healthcare utilization in COPD, and compare the model performance with other common feature selection methods. Materials and Methods In this retrospective study, demographic, lung function measurements and CT images were collected from 454 COPD participants from the Canadian Cohort Obstructive Lung Disease study from 2010–2017. A follow-up visit was completed approximately 1.5 years later and participants reported healthcare utilization. CT analysis was performed for feature extraction. A two-step hybrid feature selection method was proposed that utilized: (1) sparse subspace learning with nonnegative matrix factorization, and, (2) genetic algorithm. Seven commonly used feature selection methods were also implemented that reported the top 10 or 20 features for comparison. Performance was evaluated using accuracy. Results Of the 454 COPD participants evaluated, 161 (35%) utilized healthcare services at follow-up. The accuracy for predicting subsequent healthcare utilization for the seven commonly used feature selection methods ranged from 72%–76% with the top 10 features, and 77%–80% with the top 20 features. Relative to these methods, hybrid feature selection obtained significantly higher accuracy for predicting subsequent healthcare utilization at 82% ± 3% (p < 0.05). Selected features with the proposed method included: DL CO , FEV 1 , RV, FVC, TAC, LAA 950 , Pi-10, LAA 856 , LAC total hole count, outer area RB1, wall area RB1, wall area and Jacobian. Conclusion The hybrid feature selection method identified the most discriminative features for classifying individuals with and without future healthcare utilization, and increased the accuracy compared to other state-of-the-art approaches.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 ».