Prediction of Individual Disease Progression Including Parameter Uncertainty in Rare Neurodegenerative Diseases: The Example of Autosomal-Recessive Spastic Ataxia Charlevoix Saguenay (ARSACS)
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
The aim of this study was to develop a model to predict individual subject disease trajectories including parameter uncertainty and accounting for missing data in rare neurological diseases, showcased by the ultra-rare disease Autosomal-Recessive Spastic Ataxia Charlevoix Saguenay (ARSACS). We modelled the change in SARA (Scale for Assessment and Rating of Ataxia) score versus Time Since Onset of symptoms using non-linear mixed effect models for a population of 173 patients with ARSACS included in the prospective real-world multicenter Autosomal Recessive Cerebellar Ataxia (ARCA) registry. We used the Multivariate Imputation Chained Equation (MICE) algorithm to impute missing covariates, and a covariate selection procedure with a pooled p-value to account for the multiply imputed data sets. We then investigated the impact of covariates and population parameter uncertainty on the prediction of the individual trajectories up to 5 years after their last visit. A four-parameter logistic function was selected. Men were estimated to have a 25% lower SARA score at disease onset and a moderately higher maximum SARA score, and time to progression (T50) was estimated to be 35% lower in patients with age of onset over 15 years. The population disease progression rate started slowly at 0.1 points per year peaking to a maximum of 0.8 points per year (at 36.8 years since onset of symptoms). The prediction intervals for SARA scores 5 years after the last visit were large (median 7.4 points, Q1-Q3: 6.4-8.5); their size was mostly driven by individual parameter uncertainty and individual disease progression rate at that time.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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