Genetic screening algorithm for inflammatory back pain
Notice bibliographique
Résumé
Objective: To develop a single nucleotide polymorphism (SNP) based genetic-based algorithm among patients with low back pain to screen for axial spondyloarthritis (SpA). Methods: An 18-plex genetic assay was designed using a MassARRAY, consisting of SNPs associated with ankylosing spondylitis (AS), psoriasis, inflammatory bowel disease (IBD) and uveitis. 1172 AS cases and 848 controls have been analyzed over two cohorts. A machine learning algorithm was created using a J48/C4.5 decision tree model; the first decision was human leukocyte antigen B 27 (HLA-B*27) status. The initial algorithm was validated in an independent cohort. The discovery and validation cohorts were then combined and the final genetic-based screening algorithm was weighted. Results: The SNP based algorithm that included HLA-B*27 positivity had a precision, specificity and sensitivity of; 0.83, 0.83, and 0.80, respectively which is higher than the current HLA-B*27 based Assessment of Spondyloarthritis International Society (ASAS) classification criteria. The SNP based algorithm that included HLA-B*27 negativity had a precision, specificity and sensitivity of, 0.58, 0.32, and 0.69, respectively. Conclusions: This genetic screening algorithm is inexpensive, out performs the clinical arm of the current ASAS classification criteria and can potentially lead to earlier detection of axial SpA.
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 | 0,002 | 0,010 |
| 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 | 0,001 | 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) | 0,003 | 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 ».