Using machine learning to predict clinical remission with exclusive enteral nutrition in pediatric Crohn disease
Notice bibliographique
Résumé
Abstract Objectives Exclusive enteral nutrition (EEN) is a first‐line treatment for induction of remission in luminal pediatric Crohn disease (pCD). However, as the efficacy of EEN varies from patient to patient, there is a need to distinguish between responders and nonresponding patients. This study had two aims. First, to develop a model to predict EEN‐induced clinical remission (weighted pediatric CD activity index [wPCDA] ≤ 12.5) using baseline clinical information. Second, to develop a model to predict corticosteroid‐free sustained clinical remission post‐EEN induction (wPCDA ≤ 12.5, for ≥36 weeks after EEN). Methods We applied machine learning to clinical and laboratory data from a prospectively followed cohort of pCD patients who received EEN as their first treatment for CD ( n = 308). This learning algorithm used feature selection and k‐fold (internal) cross‐validation to systematically find the model with the best combination of features and hyperparameter settings. To estimate the quality of the learned model, we used k‐fold (external) cross‐validation. Results Clinical, laboratory, and treatment data were compiled into two different datasets: EEN clinical remission at the end of EEN treatment (mean of 60 days; n = 114) and corticosteroid‐free sustained clinical remission post‐EEN induction ( n = 206). Our resulting models were effective, with external area under the curves of 0.65 0.015 and 0.60 0.018. Moreover, a permutation label test showed that our learning process was stable and significantly different from chance, at p ‐values of 0.002 and 0.01, respectively. Conclusion Our models, based on accessible clinical features, were able to effectively predict EEN success above chance. This supports the plausibility of building clinical tools to assist precision therapy for pCD patients.
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 | 0,008 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».