Méthode d'extraction de signatures de biomarqueurs métaboliques dans le cadre de prédiction des maladies chez les bovins laitiers
Bibliographic record
Abstract
Les maladies métaboliques chez les bovins laitiers sont une préoccupation majeure pour les producteurs laitiers, car elles affectent la production, la reproduction, le bien-être et la longévité des animaux. Les approches de classification informatique actuelles des maladies métaboliques manquent de précision et de simplicité pour permettre une classification effective en milieu de ferme. Cela est dû principalement à la variabilité naturelle des profils métaboliques entre les vaches et à la distribution non équilibrée des classes (malade, non malade) dans les jeux de données sur les maladies surveillées par l’industrie laitière. Cette disparité entre les classes rend la prédiction des maladies encore plus complexe. Pour permettre aux vétérinaires de mieux suivre les paramètres métaboliques en lien avec les principales maladies suivies en médecine vétérinaire, nous proposons une approche d’extraction des signatures métaboliques qui permettrait de caractériser les maladies, d’identifier une meilleure prédiction des risques associés et d’informer les classifieurs pour le diagnostique des maladies métaboliques. Notre approche est décomposée en trois étapes comme suit : la catégorisation des indicateurs métaboliques clés, l’extraction des signatures métaboliques présentes dans les maladies, la sélection des signatures discriminantes à l’aide de deux mesures statistiques (le test de Fisher et l’intervalle de confiance), et enfin l’entraînement des modèles de classification afin de prédire une maladie métabolique à partir d’un profil métabolique. Cette approche a été appliquée à un jeu de données contenant cinq indicateurs métaboliques pour 623 vaches. Ces indicateurs sont associés aux sept maladies principales à déclaration obligatoire au Québec. Les résultats préliminaires ont permis d’identifier 208 signatures métaboliques et 96 signatures discriminantes. Ces signatures ont ensuite permis de construire un classifieur pour identifier si une vache est diagnostiquée comme malade seulement à partir de son échantillon de données métaboliques. Ces signatures discriminantes constitueront un potentiel de biomarqueurs utiles pour le diagnostic des maladies. Les résultats de ces classifieurs sont intéressants avec des F-mesure avoisinant 0,91. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Maladies métaboliques, Bovins laitiers, Producteurs laitiers du Canada, Profil métabolique, Signatures métabolique, Tests Statistiques, Apprentissage machine, Prédiction.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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".