Exploration de l’apprentissage automatique pour la prédiction du degré d’atteinte de personnes souffrant d’ARSACS à partir de signaux EMG
Bibliographic record
Abstract
Ce mémoire explore l’utilisation de l’apprentissage automatique pour prédire le degré d’atteinte des personnes atteintes d’Ataxie Récessive Spastique Autosomique de Charlevoix-Saguenay (ARSACS) à partir de signaux électromyographiques (EMG). L’ARSACS, une maladie neurodégénérative rare, se manifeste par une dénervation sévère des muscles, détectable grâce à l’EMG. L’objectif principal de cette recherche est d’identifier des marqueurs prédictifs permettant de suivre le degré d’atteinte des patients atteints d’ARSACS et de prévoir la progression de la maladie sur plusieurs années, contribuant ainsi à une meilleure compréhension de cette pathologie. Pour atteindre cet objectif, des approches de clustering et de régression ont été appliquées aux données EMG et cliniques, dans le but de tenter de découvrir des groupements inédits de profils de patients présentant des similitudes, et de prédire et estimer la progression de la maladie à des instants futurs. Les résultats montrent que le clustering permet d’identifier des sous-groupes cliniquement significatifs, bien que la variabilité au sein des groupes puisse limiter la discrimination des degrés d’atteinte, reflétant ainsi la complexité de la maladie. Les modèles de régression utilisés pour prédire la progression de la maladie ont rencontré des difficultés à capturer efficacement les interactions complexes entre les variables cliniques et les données EMG. La variabilité importante des performances des modèles et le risque élevé de surapprentissage mettent en évidence leur manque de robustesse. Ces résultats sont principalement dus à la taille réduite de l’échantillon de données et à la forte hétérogénéité des patients, qui limitent considérablement la généralisation des modèles. Malgré ces limites, cette recherche représente une avancée importante dans l’application de l’apprentissage automatique à l’ARSACS et ouvre la voie à des études futures en intégrant des approches plus sophistiquées et un volume de données plus important pour mieux comprendre la progression de la maladie.
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 | 0.004 | 0.009 |
| Meta-epidemiology (narrow) | 0.002 | 0.000 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| 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 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".