<u>A</u> I- <u>T</u> echniques <u>L</u> oss-Based <u>A</u> lgorithm for <u>S</u> everity Classification (ATLAS): a novel approach for continuous quantification of exertional symptoms during incremental exercise testing
Notice bibliographique
Résumé
OBJECTIVE: Heightened muscular effort and breathlessness (dyspnea) are disabling sensory experiences. We sought to improve the current approach of assessing these symptoms only at the maximal effort to new paradigms based on their continuous quantification throughout cardiopulmonary exercise testing (CPET). MATERIALS AND METHODS: After establishing sex- and age-adjusted reference centiles (0-10 Borg scale), we developed a novel algorithm (AI-Techniques Loss-Based Algorithm for Severity Classification [ATLAS]) based on reciprocal exponential loss for CPET data from patients with chronic obstructive lung disease of varied severity. RESULTS: Categories of dyspnea intensity by ATLAS-but not dyspnea at peak exercise-correctly discriminated patients in progressively higher resting and exercise impairment (P < .05). DISCUSSION: This new AI-techniques approach will be translated to the care of disabled patients to uncover the seeds and consequences of their activity-related symptoms. CONCLUSIONS: We used innovative informatics research to change paradigms in displaying, quantifying, and analyzing effort-related symptoms in patient populations.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».