Using machine learning for personalized prediction of longitudinal coronavirus disease 2019 vaccine responses in transplant recipients
Dossier post-publication
OpenAlex signale ce travail comme rétracté, mais aucune notice correspondante de Retraction Watch ne figure dans cette base.
Notice bibliographique
Résumé
The coronavirus disease 2019 pandemic has underscored the importance of vaccines, especially for immunocompromised populations like solid organ transplant recipients, who often have weaker immune responses. The purpose of this study was to compare deep learning architectures for predicting severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) vaccine responses 12 months postvaccination in this high-risk group. Using data from 303 solid organ transplant recipients from a Canadian multicenter cohort, models were developed to forecast anti-receptor-binding domain antibody levels. The study compared traditional machine learning models-logistic regression, epsilon-support vector regression, random forest regressor, and gradient boosting regressor-and deep learning architectures, including long short-term memory (LSTM), recurrent neural networks, and a novel model, routed LSTM. This new model combines capsule networks with LSTM to reduce the need for large data sets. Demographic, clinical, and transplant-specific data, along with longitudinal antibody measurements, were incorporated into the models. The routed LSTM performed best, achieving a mean square error of 0.02 ± 0.02 and a Pearson correlation coefficient of 0.79 ± 0.24, outperforming all other models. Key factors influencing vaccine response included age, immunosuppression, breakthrough infection, body mass index, sex, and transplant type. These findings suggest that artificial intelligence could be a valuable tool in tailoring vaccine strategies, improving health outcomes for vulnerable transplant recipients.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 | 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 ».