Machine learning classification of inflammatory bowel disease activity using white blood cell subsets
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: The lack of a rapid, validated, consistent test for tracking disease activity in patients with inflammatory bowel disease (IBD) is currently a major challenge. Currently used biomarkers have notable disadvantages, such as the slow processing (faecal calprotectin) and the lack of specificity (bloodwork). White blood cell (WBC) subsets, also known as 'the differential', are commonly obtained in evaluating IBD patients, but there is minimal evidence on how these subsets relate to disease activity. Given the interplay between immune cells, it is possible that complex patterns in WBC subsets could be used to classify IBD activity. Machine learning (ML) could be used to reveal these changes. The aim of this study was to classify IBD activity via routine bloodwork results, using an ML approach. METHODS: 1458 bloodwork measurements from 108 IBD patients were included in this analysis. Disease activity was classified by physician's global assessment score. Four ML models were trained to classify active disease or remission based on routine bloodwork metrics (complete blood count, differential, albumin, erythrocyte sedimentation rate and C reactive protein). RESULTS: The optimal model, extreme gradient boosted decision trees, achieved a receiver operator characteristic area under the curve of 0.882. Feature analysis identified neutrophils, C reactive protein and albumin as consistently important contributors to the models. Additionally, no single individual biomarker was comparable to the ML model, and medications had only a minor impact on the ML model. CONCLUSION: Classification of IBD activity can be augmented using ML analysis of commonly measured bloodwork parameters to help inform treatment plans and to improve IBD patient outcomes.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 découle