Predicting autoimmune thyroiditis in primary Sjogren’s syndrome patients using a random forest classifier: a retrospective study
Notice bibliographique
Résumé
BACKGROUND: Primary Sjogren's syndrome (pSS) and autoimmune thyroiditis (AIT) share overlapping genetic and immunological profiles. This retrospective study evaluates the efficacy of machine learning algorithms, with a focus on the Random Forest Classifier, to predict the presence of thyroid-specific autoantibodies (TPOAb and TgAb) in pSS patients. METHODS: A total of 96 patients with pSS were included in the retrospective study. All participants underwent a complete clinical and laboratory evaluation. All participants underwent thyroid function tests, including TPOAb and TgAb, and were accordingly divided into positive and negative thyroid autoantibody groups. Four machine learning algorithms were then used to analyze the risk factors affecting patients with pSS with positive and negative for thyroid autoantibodies. RESULTS: The results indicated that the Random Forest Classifier algorithm (AUC = 0.755) outperformed the other three machine learning algorithms. The random forest classifier indicated Age, IgG, C4 and dry mouth were the main factors influencing the prediction of positive thyroid autoantibodies in pSS patients. It is feasible to predict AIT in pSS using machine learning algorithms. CONCLUSIONS: Analyzing clinical and laboratory data from 96 pSS patients, the Random Forest model demonstrated superior performance (AUC = 0.755), identifying age, IgG levels, complement component 4 (C4), and absence of dry mouth as primary predictors. This approach offers a promising tool for early identification and management of AIT in pSS patients. TRIAL REGISTRATION: This retrospective study was approved and monitored by the Ethics Committee of The Third Affiliated Hospital of Sun Yat-sen University (No.II2023-254-02).
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».