An Integrated Data-Driven Model for Clinical Phenotyping of Tuberculosis Disease Severity
Notice bibliographique
Résumé
A common approach to describing tuberculosis (TB) disease severity is to use a binary classification such as "advanced" and "minimal or early disease," though this may not fully capture the range of clinical presentations. As individuals transition through stages of disease, we expect to observe increased bacterial burden and inflammation which corresponds to worsening disease severity and increased risk of a negative outcome. We develop a new method, tuberculosis SeveriTy Assessment Tool for Informed Stratification (TB-STATIS), to understand the various disease severity phenotypes that exist at time of clinical presentation. Our method integrates data from multiple sources (i.e. smear microscopy, chest x-ray findings, symptoms, etc.) to identify a set of disease severity classes and obtain a predicted disease class for each individual given their observed data. Our approach is motivated by the statistical framework used in event-based modeling, a type of data-driven disease progression modeling. We show in simulation TB-STATIS can correctly identify the true set of disease classes with various sample sizes, data sources to integrate, and levels of uncertainty in the observed data. We apply TB-STATIS to two data sets, data from an observational TB cohort in South Africa and data from a global phase 3 clinical trial that tested the non-inferiority of two 4-month regimens compared to the standard 6-month regimen for the treatment of TB. We observe disease classes generated from TB-STATIS correlate with culture conversion, a proxy for TB treatment response. We demonstrate our approach to classifying TB disease severity generates clinically meaningful strata.
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 | 0,006 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».