Additional file 1 of Exploring synthetic controls in rare diseases with a proof of concept in spinal cord injury
Notice bibliographique
Résumé
Additional file 1: Sections 1–2. Section 1 — Supplementary Methods. Section 2 — Supplementary Results. Figures S1-S6. Figure S1 — Schematic overview of the deep learning architectures. Figure S2 — Consort diagram for EMSCI cohort. Figure S3 — Consort diagram for Sygen cohort. Figure S4 — RMSEbl.NLI as function of time of initial assessment. Figure S5 — RMSEbl.NLI as function of time of initial assessment for EMSCI cohort subset according to NISCI inclusion criteria. Figure S6 — Importance ranking of interpretability SHAP scores. Tables S1-S15. Table S1 — Hyperparameters for tree-based models. Table S2 — Hyperparameters for deep learning models. Table S3 — Characteristics of EMSCI and Sygen cohorts used for machine learning benchmark in comparison with subsets excluded. Table S4 — Number of instances in EMSCI with missing age. Table S5 — Number of instances in EMSCI within each AIS grade with imputed VAC. Table S6 — Number of instances in EMSCI within each AIS grade with imputed DAP. Table S7 — Results of the model benchmark. Table S8 — Performance on the EMSCI dataset stratified by AIS grade. Table S9 — Performance on the Sygen dataset stratified by AIS grade. Table S10 — Median of mean residuals below the NLI. Table S11 — Median of mean residual below NLI on the EMSCI dataset stratified by AIS grade. Table S12 — Median of mean residual below NLI on the Sygen dataset stratified by AIS grade. Table S13 — Benchmark on EMSCI cohort with NISCI inclusion criteria. Table S14 — Benchmark of CNN multi-modal trained on the same data as before and all combinations of time points. Table S15 — Distribution of group-level differences in mean LEMSimpr.
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 | 0,004 | 0,067 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,746 | 0,098 |
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 ».