Méthode d'extraction de signatures de biomarqueurs métaboliques dans le cadre de prédiction des maladies chez les bovins laitiers
Notice bibliographique
Résumé
Les maladies métaboliques chez les bovins laitiers sont une préoccupation majeure pour les producteurs laitiers, car elles affectent la production, la reproduction, le bien-être et la longévité des animaux. Les approches de classification informatique actuelles des maladies métaboliques manquent de précision et de simplicité pour permettre une classification effective en milieu de ferme. Cela est dû principalement à la variabilité naturelle des profils métaboliques entre les vaches et à la distribution non équilibrée des classes (malade, non malade) dans les jeux de données sur les maladies surveillées par l’industrie laitière. Cette disparité entre les classes rend la prédiction des maladies encore plus complexe. Pour permettre aux vétérinaires de mieux suivre les paramètres métaboliques en lien avec les principales maladies suivies en médecine vétérinaire, nous proposons une approche d’extraction des signatures métaboliques qui permettrait de caractériser les maladies, d’identifier une meilleure prédiction des risques associés et d’informer les classifieurs pour le diagnostique des maladies métaboliques. Notre approche est décomposée en trois étapes comme suit : la catégorisation des indicateurs métaboliques clés, l’extraction des signatures métaboliques présentes dans les maladies, la sélection des signatures discriminantes à l’aide de deux mesures statistiques (le test de Fisher et l’intervalle de confiance), et enfin l’entraînement des modèles de classification afin de prédire une maladie métabolique à partir d’un profil métabolique. Cette approche a été appliquée à un jeu de données contenant cinq indicateurs métaboliques pour 623 vaches. Ces indicateurs sont associés aux sept maladies principales à déclaration obligatoire au Québec. Les résultats préliminaires ont permis d’identifier 208 signatures métaboliques et 96 signatures discriminantes. Ces signatures ont ensuite permis de construire un classifieur pour identifier si une vache est diagnostiquée comme malade seulement à partir de son échantillon de données métaboliques. Ces signatures discriminantes constitueront un potentiel de biomarqueurs utiles pour le diagnostic des maladies. Les résultats de ces classifieurs sont intéressants avec des F-mesure avoisinant 0,91. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Maladies métaboliques, Bovins laitiers, Producteurs laitiers du Canada, Profil métabolique, Signatures métabolique, Tests Statistiques, Apprentissage machine, Prédiction.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».