Neural networks to estimate multiple sclerosis disability and predict progression using routinely collected healthcare data
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Multiple sclerosis (MS)-related disability is conventionally measured using the Expanded Disability Status Scale (EDSS), which requires neurological examination and is generally embedded in clinical records, making it unavailable in administrative datasets. This limits its utility for population-level estimates and healthcare planning. This study aims to use routinely collected healthcare data to fill this gap. METHODS: We conducted a population-based study using administrative data from Campania Region (Italy) to develop and validate neural network algorithms to estimate MS-related disability and predict its progression (2015-2021). We employed a deep learning approach to estimate the EDSS, and a hybrid model combining survival analysis with neural network predictions to forecast the risk of EDSS progression. RESULTS: The model estimated EDSS with 0.68 accuracy, 0.68 precision, and 0.67 F1-score. The hybrid model had a predictive performance of 0.92. From 2016 to 2021, 9.01% of the population had EDSS ⩽ 3.0, 62.10% had EDSS between 3.5 and 5.5, and 28.89% had EDSS ⩾ 6.0. Looking at projections from 2021 to 2026, 67.68% people with EDSS ⩽ 3.0 are expected to progress to EDSS 3.5-5.5. CONCLUSION: These findings highlight the potential of advanced data analytics using administrative data to improve MS monitoring, healthcare planning, and decision-making.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».