Predicting real-world response to mepolizumab in severe asthma using machine learning
Notice bibliographique
Résumé
Mepolizumab reduces clinically significant exacerbations (CSE) in patients with severe asthma, but research is needed to better understand the factors driving response. This study aimed to identify predictors of mepolizumab response using machine learning. 122 variables from 685 patients of REALITI-A study were used as model inputs. Linear regression, random forest, and XGBoost were tested. The best performing algorithm based on R<sup>2</sup> was used to train the model to identify predictors of response, defined as CSE change between pre-exposure (1-year and run-in) and 1-year post-exposure. Shapley Additive Explanations (SHAP) ranked variables based on feature importance and estimated the direction of relationship between features and the outcome. The best performing algorithm was XGBoost (R<sup>2</sup>=0.83). The top 5 ranking predictors were: pre-exposure rates of CSE, body mass index (BMI), immunoglobulin E (IgE) levels, activity impairment, and baseline asthma control questionnaire (ACQ) score, with SHAP values of 2.25, 0.18, 0.12, 0.11 and 0.09, respectively (Figure 1). Furthermore, higher rates of pre-exposure CSE directly correlate, while higher BMI, activity impairment, and baseline ACQ scores inversely correlate with greater reductions in CSE. This study identified top predictors of response to mepolizumab and may facilitate developing a clinically relevant model to support improvement of outcomes for patients with severe asthma. <fig><object-id>erj;64/suppl_68/PA448/F1</object-id><object-id>F1</object-id><object-id>F1</object-id><graphic></graphic></fig>
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».