AI-driven discovery of blood xenobiotic biomarkers in neovascular age-related macular degeneration using iterative random forests
Notice bibliographique
Résumé
PURPOSE: To investigate the xenobiotic profiles of patients with neovascular age-related macular degeneration (nAMD) undergoing anti-vascular endothelial growth factor (anti-VEGF) intravitreal therapy (IVT) to identify biomarkers indicative of clinical phenotypes through advanced AI methodologies. METHODS: In this cross-sectional observational study, we analyzed 156 peripheral blood xenobiotic features in a cohort of 46 nAMD patients stratified by choroidal neovascularization (CNV) control under anti-VEGF IVT. We employed Liquid Chromatography-Tandem Mass Spectrometry (LC-MS/MS) for measurement and leveraged an AI-driven iterative Random Forests (iRF) approach for robust pattern recognition and feature selection, aligning molecular profiles with clinical phenotypes. RESULTS: AI-augmented iRF models effectively refined the metabolite spectrum by discarding non-predictive elements. Perfluorooctanesulfonate (PFOS) and Ethyl β-glucopyranoside were identified as significant biomarkers through this process, associated with various clinically relevant phenotypes. Unlike single metabolite classes, drug metabolites were distinctly correlated with subretinal fluid presence. CONCLUSIONS: This study underscores the enhanced capability of AI, particularly iRF, in dissecting complex metabolomic data to elucidate the xenobiotic landscape of nAMD and environmental impact on the disease. The preliminary biomarkers discovered offer promising directions for personalized treatment strategies, although further validation in broader cohorts is essential for clinical application.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».