Machine learning techniques to predict diabetic ketoacidosis and HbA1c above 7% among individuals with type 1 diabetes — A large multi-centre study in Australia and New Zealand
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Type 1 diabetes and diabetic ketoacidosis (DKA) have a significant impact on individuals and society across a wide spectrum. Our objective was to utilize machine learning techniques to predict DKA and HbA1c>7 %. METHODS AND RESULTS: Nine different models were implemented and model performance evaluated via the Area under the Curve (AUC). These models were applied to a large multi-centre dataset of 13761 type 1 diabetes individuals prospectively recruited from Australia and New Zealand. Predictive features included a number of clinical demographic and socio-economic measures collected at previous visits. In our study, 2.9 % reported at least one episode of DKA since their last clinic visit. A number of features were significantly associated with DKA. Our results showed that Deep Learning (DL) model performed well in predicting DKA with an AUC of 0.887. The DL also provided the lowest classification error rate of 0.9 %, highest sensitivity of 99.9 % and F-measure of 99.6 %. As for HbA1c >7 %, the optimal Support Vector Machine provided a good AUC of 0.884. CONCLUSION: Machine learning models can be effectively implemented on real-life large clinical datasets and they perform well in terms of identifying individuals with type 1 diabetes at risk of adverse outcomes.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».