Combining Clinical, Genetic and Protein Markers Using Machine Learning Models Discriminates Psoriatic Arthritis Patients From Those With Psoriasis
Notice bibliographique
Résumé
Background Psoriatic Arthritis (PsA), an immune mediated inflammatory arthritis, affects a quarter of patients with cutaneous psoriasis, usually after psoriasis onset. Early diagnosis of PsA is challenging. A biomarker-based diagnostic test may facilitate early diagnosis. Objectives We aimed to determine whether specific clinical features or genetic and protein markers, alone or in combination, can distinguish patients with PsA from those with psoriasis without PsA (PsC). Methods Patients with PsA and PsC were identified from a database of patients with psoriatic disease. Detailed demographic and clinical information were collected at time of assessment. Single-nucleotide polymorphisms (SNPs) of 19 “PsA weighted” genes were genotyped. Serum samples were used to assess 15 protein markers by ELISA. Association between clinical, genetic and protein markers and PsA were determined, and models were developed to discriminate PsA from PsC using machine learning algorithms. Results Demographic and clinical information had low predictive value in distinguishing PsA from PsC (AUC - 0.607, P < .01). SNP and protein panels also had low value in discriminating PsA from PsC (AUC - 0.691, P < .001 and AUC - 0.694, P < .001, respectively). Combining protein, SNPs and clinical features provided better discriminatory value (best performing model: Random Forest, AUC - 0.733, P < .001). Conclusion Combining previously identified clinical, genetic and protein markers have a fair ability to differentiate PsA from PsC. Further studies are required for identifying better diagnostic signatures.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| 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 ».