A scoping review of asthma and machine learning
Notice bibliographique
Résumé
<b>Objective:</b> The objective of this study was to determine the extent of machine learning (ML) application in asthma research and to identify research gaps while mapping the existing literature. <b>Data Sources:</b> We conducted a scoping review. PubMed, ProQuest, and Embase Scopus databases were searched with an end date of September 18, 2020. <b>Study Selection:</b> DistillerSR was used for data management. Inclusion criteria were an asthma focus, human participants, ML techniques, and written in English. Exclusion criteria were abstract only, simulation-based, not human based, or were reviews or commentaries. Descriptive statistics were presented. <b>Results:</b> A total of 6,317 potential articles were found. After removing duplicates, and reviewing the titles and abstracts, 102 articles were included for the full text analysis. Asthma episode prediction (24.5%), asthma phenotype classification (16.7%), and genetic profiling of asthma (12.7%) were the top three study topics. Cohort (52.9%), cross-sectional (20.6%), and case-control studies (11.8%) were the study designs most frequently used. Regarding the ML techniques, 34.3% of the studies used more than one technique. Neural networks, clustering, and random forests were the most common ML techniques used where they were used in 20.6%, 18.6%, and 17.6% of studies, respectively. Very few studies considered location of residence (i.e. urban or rural status). <b>Conclusions:</b> The use of ML in asthma studies has been increasing with most of this focused on the three major topics (>50%). Future research using ML could focus on gaps such as a broader range of study topics and focus on its use in additional populations (e.g. location of residence). Supplemental data for this article is available online at http://dx.doi.org/.
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 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,047 | 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 ».