Klinisk undersøgelse om evaluering af virkningen af ​​livmoderhalskræft (EECC)

1. Konstruer en prognose- og bivirkningsforudsigelsesmodel baseret på multi-omics-egenskaber før behandling af livmoderhalskræftpatienter.

1. Casevalg: Ifølge det overordnede eksperimentelle design blev 2800 patienter i træningsgruppen brugt som træningsdatasæt, og 1200 patienter i valideringsgruppen blev brugt som valideringsdataindsamling.
2. Modeltræning og tuning: a. Uddrag multi-omics funktionerne i træningsgruppen, udfør selvindlæring af funktionerne og form en foreløbig livmoderhalskræftprognose og bivirkningsforudsigelsesmodel; b. Indtast multiomics-data fra valideringsgruppen i modellen, og udfør strukturen af ​​modellen og træningsparametrene, og søg efter den optimale modelstruktur og træningsparametre; c. Bestem den optimale prognose for livmoderhalskræftprognose og bivirkningsmodel.

2. Udvinding af tilbagevendende tumorkarakteristika baseret på multi-omics-data og konstruktion af en omfattende vurderingsmodel for gentagelsesrisiko.

1. Casevalg: I overensstemmelse med det overordnede eksperimentelle design blev 2800 patienter i træningsgruppen brugt som træningsdatasæt, og 1200 patienter i valideringsgruppen blev indsamlet som valideringsdata.
2. Modeltræning og tuning: a. Træningsgruppens multi-omics-datafunktioner før diagnosticering af recidiv i tidligere opfølgningsbesøg bruges til at udføre selvindlæring af funktionerne, vurdere risikoen for tumor-gentagelse baseret på multi-omics-træk i forløbet af tidligere opfølgningsbesøg, danne en dynamisk, real-time risikovurderingsmodel for gentagelser og udlede en omfattende risikoværdi for beslutningstagningen af ​​gentagelsesintervention; b. Multi-omics-funktioner relateret til de tidligere opfølgningsbesøg af valideringsgruppen før diagnosen af ​​recidiv indsættes i modellen, og den iterative tidsserie-recidivrisikovurdering udføres på patienterne. periodisk gentagelsesrisiko iterativ vurdering af patienter for at vurdere modellens diagnostiske ydeevne; c. Juster strukturen og træningsparametrene for modellen i henhold til segmenteringsnøjagtigheden af ​​valideringsgruppen for at søge den optimale modelstruktur og træningsparametre; d. Brug tekniske midler såsom dataforøgelse og andre tekniske midler til at tænke på at forstørre stikprøvestørrelsen for at forbedre segmenteringsnøjagtigheden; e. Bestem den optimale risikovurderingsmodel.

3. Etabler prognose og bivirkningsforudsigelse og dynamisk overvågningssystem for livmoderhalskræft.

en. Docking af ovenstående konstruerede model med det ambulante system for at konstruere en prognose og sidereaktionsforudsigelse og dynamisk overvågningssystem i processen med livmoderhalskræftdiagnose og behandling; b. Konstruktion af et intelligent beslutningsstøttesystem gennem prognose- og sidereaktionsforudsigelse og risikodynamisk vurderingsmodel, implementering af anvendelsen af ​​recidivforudsigelse og dynamisk overvågningssystem og hjælp til klinikerne med at træffe beslutninger om interventionsforanstaltninger.