A translational multimodal machine-learning prototype predicting valproate response in epilepsy treatment
Notice bibliographique
Résumé
OBJECTIVE: Epilepsy affects ~1% of the global population and often requires lifelong antiseizure medication (ASM) therapy. Valproic acid (VPA) is a commonly prescribed first-line ASM, yet only approximately half of patients achieve sustained seizure freedom. Treatment selection remains largely empirical. We aimed to develop and independently validate a multimodal predictive model to estimate response to VPA and support more individualized treatment strategies. METHODS: This cross-sectional treatment response modeling study used data from a subset of the international Epi25 cohort (Belgium, Finland, Germany). Individuals with epilepsy were included if they had received VPA monotherapy and had available genetic or clinical data. Discovery data (1965-2021, 58% female) were split into a training set (n = 196) and test set (n = 133). Independent validation was performed in a Canadian cohort (2021-2022, n = 156, 40% female). The primary outcome was binary VPA response. Responders achieved ≥12 months of seizure freedom attributed to VPA; nonresponders had >50% seizure recurrence or discontinued VPA due to inefficacy, adverse effects, or unclear reasons. The predictive algorithm integrated features derived from common and rare variants in VPA pharmacokinetic and pharmacodynamic genes, in vitro neuronal VPA response measures, and clinical features. Model performance was assessed using accuracy, predictive values (negative predictive value [NPV]/positive predictive value [PPV]), and area under the curve (AUC). RESULTS: In the independent validation cohort, the multimodal classifier achieved a balanced accuracy of 63% (95% confidence interval [CI] = 52%-73%), NPV of 70% (95% CI = 51%-85%), PPV of 60% (95% CI = 46%-72%), and AUC of .73 (95% CI = .63-.83). Models restricted to single or dual data modalities showed consistently lower predictive performance. SIGNIFICANCE: This proof-of-concept study demonstrates that integrating genetic, cellular, and clinical data enables prediction of VPA treatment response with clinically meaningful accuracy. Although not yet ready for clinical application, this approach supports the feasibility of biomarker-informed ASM selection and may ultimately reduce time to effective seizure control.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».