Machine learning of spirometry may predict CLAD onset after lung transplantation
Notice bibliographique
Résumé
Rationale: As Chronic Lung Allograft Dysfunction (CLAD) remains virtually unpredictable in clinical practice, we investigated the potential of routinely measured spirometry to predict CLAD onset, using machine learning. Methods: Of 1033 lung transplant recipients (transplanted 2010-2020), 383 random Controls without CLAD, and 186 CLAD patients (140 Bronchiolitis Obliterans/BOS - and 46 Restrictive Alllograft Syndrome/RAS) were included. Multiple measurements per patient were included using sliding windows, and spirometry parameters (FEV1, FEF25-75 and FVC; in Liters) were extracted from the patients’ electronic files. Time to CLAD was assessed as continuous response. Controls were censored at their last measurement. K-nearest neighbor (KNN) and random forest regression were compared, after which samples were stratified based on predicted time to CLAD onset. Results: KNN showed superior results compared to random forests, using 160 neighbors. Fig. 1a shows the fit between KNN-predicted and observed days to CLAD on our test set (R²=0.18). There were significant differences in CLAD-free survival between 5 stratified groups (Fig. 1b). Summary: Using machine learning on spirometry, lung transplant recipients may be stratified to risk groups with significant differences in subsequent time to CLAD onset. This allows to predict the risk of CLAD for each patient in real 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.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».