Præcisionsmedicin til L/GCMN og melanom 1 (Precis-mel 1)

Precis-Mel 1 er et unicentrisk observationsstudie, der bruger retrospektivt indsamlede data. Den foreslåede procedure er at begynde at bruge data, herunder demografiske data og familiedata, genetiske data, medicinske procedurer og kræftbehandling, kutan biopsi osv. til at bygge et multidimensionelt datasæt og anvende AI-algoritmer, der kan producere overlevelseskurver og sentinel lymfeknude (SLNB) positivitet i CAYA. Den tilgang, der skal anvendes, præsenteres i følgende underafsnit:

• Datateknik: Det multidimensionelle datasæt er omhyggeligt integreret via DBT- og SQL-forespørgsler på en PostgreSQL-database. Dette resulterer i en modelklar, omfattende tabel, der fastholder den afgørende tidsmæssige dimension af patienthistorier. Identifikatorer tildeles for at opretholde integriteten af ​​datasporet og forbindelsen mellem forskellige patienthændelser såsom metastaser og død. Python-baserede transformationer sikrer, at sekventielle patienthændelser bliver ontekstuelt beriget af forudgående hændelser. Operationer omfatter aritmetiske aggregeringer, ekstremumberegninger og strengmanipulationer. Begivenheder diskretiseres over en standardiseret tidsramme (1-3 måneder) for ensartet iscenesættelsesreference, hvilket også tjener til at konsolidere eventuelle fejljusterede dataforekomster.
• Modeludvikling: vores tilgang anvender overlevelsesanalyse til at løse de unikke udfordringer i vores datasæt, især censurering, hvor en begivenhed af interesse, som død, ikke forekommer inden for observationsvinduet. Baseret på vores tidligere erfaring med at modellere dette problem foretrækker vi at bruge Gradient Boosting Survival Analysis (GBSA), en ikke-deep learning-metode, da den effektivt løser problemer med dataknaphed. GBSA tilpasser den gradientforstærkende maskinalgoritme til overlevelsesanalyse, især imødekommende censurerede data. I overlevelsesanalyse er patienter repræsenteret af en triplet (xi, δi, Ti), hvor xi er trækvektoren, Ti er tiden til begivenhed, og δi angiver, om observationen er censureret. Vores mål er at estimere overlevelsesfunktionen S(t), der repræsenterer sandsynligheden for, at en patient overlever efter tid t, og hazard-funktionen λ(t), der angiver den øjeblikkelige sandsynlighed for, at en hændelse indtræffer på tidspunktet t. For at tilpasse det til overlevelsesmodelleringsdomænet bruger vores model gradientforstærkende tilgang med en modificeret tabsfunktion, den negative log delvise sandsynlighed. Dette giver os mulighed for effektivt at vurdere overlevelsesfunktionen.
• Ydeevnemålinger: vi måler modelpræstation ved hjælp af konkordansindekset (c-indeks), en metrik, der er særligt velegnet til overlevelsesanalyse. C-indekset vurderer den forudsigelige nøjagtighed af vores model ved at sammenligne forudsagte og observerede begivenhedstider. Et højt c-indeks indikerer, at vores model effektivt forudsiger rækkefølgen af ​​patientfare givet dens inputfunktioner.