Apport de la signature stéroïdienne par spectrométrie de masse dans la stratification des patientes sopk
Bibliographic record
Abstract
Le SOPK est fréquemment associé à des troubles métaboliques tels que l’obésité et/ou l’insulino-résistance. Un bilan métabolique est recommandé quel que soit l’IMC. Cependant, la littérature est moins prolifique concernant les patientes avec un IMC normal. L’objectif de cette étude est de caractériser la signature métabolomique des patientes SOPK avec un IMC normal. Nous avons mené une étude rétrospective au sein du service d’endocrinologie de la Pitié-Salpêtrière entre janvier 2019 et octobre 2022 sur les données clinicobiologiques du bilan réalisé en HDJ. Pour identifier la signature métabolomique, nous avons utilisé une approche couplée de spectrométrie de masse et d’apprentissage automatique. Nous avons mis en évidence que l’obésité était majoritairement associée à une insulinorésistance à l’inverse des patientes minces ainsi qu’à des perturbations du bilan lipidique et hépatique. Chez les patientes avec un IMC normal, il a été retrouvé de façon intéressante une élévation des stéroïdes de la voie des delta5. Grâce aux approches de machine learning, nous avons pu confirmer que les paramètres métaboliques étaient discriminants chez les patientes avec une obésité tandis que le profil stéroïdien était discriminant pour les patientes avec un IMC normal. L’obésité dans le SOPK est associée à des troubles métaboliques et notamment à une insulinorésistance tandis qu’on retrouve une élévation des stéroïdes, notamment de la voie des delta5, chez les patientes minces. Il sera intéressant par la suite de comparer notre cohorte à une cohorte de patientes contrôles et d’élaborer un modèle d’IA pour les discriminer.
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.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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 itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".