Integrated Modeling of Digital‐Motor and Clinician‐Reported Outcomes Using Item Response Theory: Towards Powerful Trials for Rare Neurological Diseases
Notice bibliographique
Résumé
Robust and highly sensitive outcomes are crucial for small trials in rare diseases. Combining different outcome types might improve sensitivity to identify disease severity and progression, yet innovative methodologies are scarce. Here we develop an Item Response Theory framework that allows integrated modeling of both continuous and categorical outcomes (ccIRT). With degenerative ataxias, a group of rare neurological coordination diseases, as a showcase, we developed a ccIRT model integrating two ataxia outcome types: a clinician-reported outcome (Scale for the Assessment and Rating of Ataxia; SARA; categorical data) and digital-motor outcomes for gait and limb coordination (continuous data). The ccIRT model leveraged data from 331 assessments from a natural history study for spastic ataxias. The model describes SARA items and digital-motor outcomes data as functions of a common underlying ataxia severity construct, evaluating 9 gait and 17 limb coordination digital-motor measures for their ability to add to SARA in estimating individual ataxia severity levels. Based on our proposed workflow for assessing digital-motor outcomes in ccIRT models, the final model selected three digital gait and three limb coordination measures, reducing average uncertainty in ataxia severity estimates by 49% (10% SD) compared to the SARA-only IRT model. Trial simulations showed a 49% and 61% reduction in sample sizes needed to detect disease-modifying effects in two genotypes. Overall, our ccIRT framework for combining multiple outcome domains, even of different variable types, facilitates a more precise estimation of disease severity and a higher power, which is particularly relevant for rare diseases with inherently small and short trials. Trial Registration: ClinicalTrials.gov: NCT04297891.
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 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».