Interpretable Artificial Neural Network Models for Predicting Anti-Adalimumab Immune Complex and Serum Drug Level in Crohn’s Disease: A Proof-of-Concept Study
Notice bibliographique
Résumé
Background: The development of anti-drug antibodies (ADAs) and resulting immune complexes are key mechanisms behind the secondary loss of response to adalimumab in Crohn’s disease (CD). Despite their clinical importance, routine immunogenicity assays are limited, underscoring the need for alternative predictive approaches. Objective: This study aimed to develop interpretable artificial neural network (ANN) models to predict immune complex formation and estimate serum adalimumab levels using routinely available clinical and laboratory data from CD patients. Methods: A prospective analysis was performed on 58 CD patients on maintenance adalimumab. Immune complexes and serum adalimumab were measured via ELISA and lateral flow assays. ANN and ensemble regression models were trained on demographic, clinical, and inflammatory data, with performance evaluated by five-fold cross-validation. Interpretability was enhanced using Garson’s algorithm and permutation importance. Results: The ANN-based classification model accurately predicted ADA immune complex formation, achieving an accuracy of 77.47% and an area under the curve (AUC) of 82.63%. The main predictive variables included extraintestinal manifestations, perianal disease, disease behavior, and age at diagnosis. For estimating serum adalimumab levels measured by ELISA, the model performed modestly (accuracy 59.89%, AUC 79.72%), incorporating factors such as Montreal classification, perianal disease, C-reactive protein, immunosuppressant use, and disease duration. Conclusions: Interpretable ANN models robustly predict anti-adalimumab immune complexes and, to a lesser extent, serum adalimumab, using clinically available data, including perianal disease. This proof-of-concept study is limited by the relatively small, single-center dataset (n = 58), which may affect model generalizability and increase the risk of overfitting. External validation in larger and multicenter cohorts is required before clinical implementation.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 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 ».