A Novel Lipid Emulsion Containing 18-Cn3 Fatty Acids Demonstrates Superior Liver Protection to SMOFlipid® in the Murine Model of Parenteral Nutrition
Notice bibliographique
Résumé
Objectives: Individuals with obstructive sleep apnea condition need to control nutrient intake when receiving clinical care.Resting Energy Expenditure (REE) is estimated using predictive energy equations to guide the nutrient support in such cases.However current calculation methods only reach up to 45% of accuracy when compared with true REE values obtained by handheld indirect calorimetry devices.This study aims to develop an optimized model for better performance in REE prediction.Methods: Dataset was obtained from a single office of a private sleep medicine practice in Houston, Texas.The dataset contains data from 160 subjects with 13 attributes (height, weight, sex, age, etc.).Several regression machine learning models, namely Linear regression, Gradient Boosting Regression, Decision tree, Random Forest, K-Nearest Neighbors and Neural network models were developed and their predictions compared to REE measured by indirect calorimetry.Results: Among the models developed, Gradient Boosting Regression had the highest performance with 65.6% of predicted values falling within the band of acceptable agreement (10% of real value), followed by Random Forest (62.5%) and Linear regression as the lowest precision with only 37.5% of predictions within the band of acceptable agreement.Conclusions: We developed six machine learning models for the prediction of REE in patients with Sleep Apnea.The results show that Gradient Boosting Regression has better predictive accuracy than established REE equations.Further validation may provide support in confirming and optimizing this approach.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».