Prediction Pathway for Severe Asthma Exacerbations
Notice bibliographique
Résumé
BACKGROUND: Accurate risk prediction of exacerbations is pivotal in severe asthma management. Multiple risk factors are at play, but the pathway of risk prediction remains unclear. RESEARCH QUESTION: How do the interplays of clinically relevant predictors lead to severe exacerbations in patients with severe asthma? STUDY DESIGN AND METHODS: Patients with severe asthma (n = 6,814, aged ≥ 18 years), biologic naive, were identified from the Severe Asthma Registry (2017-2021). Relevant predictors covered demographics, lung function, inflammation biomarkers, health care use, medications, exacerbation history, and comorbidities. A Bayesian network, representing the prediction process of severe exacerbations, was obtained by combining expert knowledge and machine learning algorithms. Internal validation was performed. The proposed influence diagram integrated decision and utility nodes into the prediction pathway. RESULTS: . Macrolide use independently affected history of exacerbations to influence future severe asthma exacerbations. Model discrimination was moderate in 10-fold cross-validation and leave-1-country-out cross-validation, and model calibration was high in train-test data. INTERPRETATION: This study identified an essential prediction pathway of severe exacerbation, which involves the influence of chronic rhinosinusitis on the immediate predictors of risk transition from current to future severe asthma exacerbations. Macrolide use was another essential prediction pathway identified. The findings support shared clinical decision-making in severe asthma treatment.
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 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».