Modelo de integración entre variables clínicas y bioseñales de deglución computacional en disfagia orofaríngea neurogénica
Bibliographic record
Abstract
En la disfagia orofaríngea neurogénica (DON) existen variables clínicas y bioseñales potencialmente identificables durante su evaluación, tamizaje y caracterización diagnóstica. Este estudio desarrolló un modelo para diferenciar personas sanas de pacientes con DON mediante la integración de variables clínicas con características extraídas de señales de electromiografía de superficie (sEMG), acelerometría laríngea (AC) y voz, registradas antes y después de la deglución de distintas consistencias y volúmenes. Se diseñó un estudio de casos y controles que incluyó 80 personas sanas y 86 con diagnóstico de DON. Se recolectaron 158 variables clínicas y 5.080 variables derivadas de señales no invasivas asociadas a la deglución. Tras una reducción de variables, los datos fueron integrados mediante modelos de regresión logística. Se identificaron 88 variables clínicas con diferencias estadísticamente significativas, junto con 36 variables latentes de sEMG, 72 combinadas de sEMG y AC laríngea, y 61 de señales de voz. El modelo final integró cinco variables clínicas y cuatro características de las bioseñales: dos antecedentes, tres hallazgos al examen físico, una característica de sEMG en la región infrahioidea al deglutir agua, una característica de AC laríngea en el eje medio-lateral al deglutir yogur, y dos cambios en subcaracterísticas de la voz observados en articulación continua y en la fonación de la vocal “a”. Estas variables explican el 90,6% del fenómeno de ser paciente con DON. La integración de metodologías de deglución computacional con variables clínicas podría mejorar el tamizaje y complementar las pruebas de referencia en disfagia orofaríngea.
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 | 0.009 | 0.021 |
| Meta-epidemiology (narrow) | 0.003 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.005 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 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".