РОЗРОБЛЕННЯ МОДЕЛІ МАШИННОГО НАВЧАННЯ ДЛЯ ДИФЕРЕНЦІЙНОЇ ДІАГНОСТИКИ ТРАНЗИТОРНИХ ВТРАТ СВІДОМОСТІ СИНКОПАЛЬНОГО ТА НЕСИНКОПАЛЬНОГО ПОХОДЖЕННЯ У ДІТЕЙ
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Перенесений епізод транзиторної втрати свідомості (ТВС) у дитячому віці досі залишається складною діагностичною дилемою для цілого ряду клініцистів. Дослідження спрямовано на створення ефективної моделі машинного навчання для диференційної діагностики ТВС синкопального та несинкопального генезу, що забезпечить лікарям-педіатрам, дитячим кардіоревматологам і неврологам високу точність диференційної діагностики синкопальних і несинкопальних ТВС. Обстежено 140 пацієнтів із синкопе та 58 - із несинкопальними причинами ТВС віком 8-17 років. Для побудови моделі машинного навчання використовували алгоритм XGBoost. Про ефективність запропонованої моделі машинного навчання свідчили метрики точності, влучності, чутливості, fa-міри, специфічності, ROC AUC і PR AUC. Найінфор-мативнішими показниками моделі виявились Modified Calgary Syncope Seizure Score, швидкість ранкового підвищення систолічного артеріального тиску, серцевий індекс, ранкове підвищення діастолічного артеріального тиску, частота епізодів тахікардії упродовж 24-годинного моніторування за Холтером, нічне зниження діастролічного артеріального тиску, загальний периферичний опір судин, вік дитини, варіабельність добового діастолічного артеріального тиску, pNN50, співвідношення LF/HF, перцентильний розподіл відносно зростання, діастолічного артеріального тиску та індексу маси тіла. Отже, застосування описаної моделі машинного навчання дає змогу диференціювати синкопальні та несинкопальні ТВС у дітей та може використовуватися педіатрами, дитячими кардіоревматологами та неврологами як додатковий інструмент поряд із класичними діагностичними критеріями синкопе (вазовагальних синкопе, синкопе внаслідок ортостатичної гіпотензії та кардіогенних синкопе) і несинкопальних причин розвитку ТВС (епілепсії, первинного неспровокованого епілептичного нападу, психогенних псевдосинкопе, психогенних неепілептичних судом) на першому етапі діагностики.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.003 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it