Modelo de integración entre variables clínicas y bioseñales de deglución computacional en disfagia orofaríngea neurogénica
Notice bibliographique
Résumé
En la disfagia orofaríngea neurogénica (DON) existen variables clínicas y bioseñales potencialmente identificables durante su evaluación, tamizaje y caracterización diagnóstica. Este estudio desarrolló un modelo para diferenciar personas sanas de pacientes con DON mediante la integración de variables clínicas con características extraídas de señales de electromiografía de superficie (sEMG), acelerometría laríngea (AC) y voz, registradas antes y después de la deglución de distintas consistencias y volúmenes. Se diseñó un estudio de casos y controles que incluyó 80 personas sanas y 86 con diagnóstico de DON. Se recolectaron 158 variables clínicas y 5.080 variables derivadas de señales no invasivas asociadas a la deglución. Tras una reducción de variables, los datos fueron integrados mediante modelos de regresión logística. Se identificaron 88 variables clínicas con diferencias estadísticamente significativas, junto con 36 variables latentes de sEMG, 72 combinadas de sEMG y AC laríngea, y 61 de señales de voz. El modelo final integró cinco variables clínicas y cuatro características de las bioseñales: dos antecedentes, tres hallazgos al examen físico, una característica de sEMG en la región infrahioidea al deglutir agua, una característica de AC laríngea en el eje medio-lateral al deglutir yogur, y dos cambios en subcaracterísticas de la voz observados en articulación continua y en la fonación de la vocal “a”. Estas variables explican el 90,6% del fenómeno de ser paciente con DON. La integración de metodologías de deglución computacional con variables clínicas podría mejorar el tamizaje y complementar las pruebas de referencia en disfagia orofaríngea.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».