Deep learning predicts onset acceleration of 38 age-associated diseases from blood and body composition biomarkers in the UK Biobank
Notice bibliographique
Résumé
Abstract A major challenge in multimorbid aging is understanding how diseases co-occur and identifying high-risk groups for accelerated disease development, but to date associations in the relative onset acceleration of disease diagnoses have not been used to characterize disease patterns. This study presents the development and evaluation of a neural network Cox model for predicting onset acceleration risk for age-associated conditions, using demographic, anthropomorphic, imaging, and blood biomarker traits from 60,396 individuals and 218,530 outcome events from the UK Biobank. Risk prediction was evaluated with Harrell’s concordance index (C-index). The model performed well on internal (C-index $$0.6830 \pm 0.0902$$ 0.6830 ± 0.0902 , $$n=8,931$$ n = 8 , 931 ) and external (C-index $$0.6461 \pm 0.1264$$ 0.6461 ± 0.1264 , $$n=855$$ n = 855 ) test sets, attaining C-index $$\ge 0.6$$ ≥ 0.6 on 38 out of 47 ( $$80.9\%$$ 80.9 % ) conditions. Inclusion of body composition and blood biomarker input traits was independently important for predictive performance. Kaplan-Meier curves for predicted risk quartiles (log-rank $$p \le 1.16E-16$$ p ≤ 1.16 E - 16 ) indicated robust stratification of individuals into high and low risk groups. Analysis of risk quartiles revealed cardiometabolic, vascular-neuropsychiatric, and digestive-neuropsychiatric disease clusters with strong statistically significant inter-correlated onset acceleration ( $$r \ge 0.6$$ r ≥ 0.6 , $$p \le 3.46E-5$$ p ≤ 3.46 E - 5 ), while 13 and 19 conditions were strongly associated with onset acceleration of all-cause mortality and all-cause morbidity, respectively. In prognostic survival analysis, the proportional hazards assumption was met (Schoenfeld residual $$p > 0.05$$ p > 0.05 ) in 435 out of 435 or 100% (1238 out of 1334 or 92.8%) of cases across outcomes, $$aHR= 6.11 \pm 9.00$$ a H R = 6.11 ± 9.00 ( $$aHR = 3.67 \pm 5.78$$ a H R = 3.67 ± 5.78 ) with (without) Bonferroni correction. The neural architecture of OnsetNet was interpreted with saliency analysis, and several significant body composition and blood biomarkers were identified. The results demonstrate that neural network survival models are able to estimate prognostically informative onset acceleration risk, which could be used to improve understanding of synchronicity in the onset of age-associated diseases and reprioritize patients based on disease-specif
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».