Präzisionsmedizin für L/GCMN und Melanom 1 (Precis-mel 1)

Precis-Mel 1 ist eine unizentrische Beobachtungsstudie mit retrospektiv erhobenen Daten. Das vorgeschlagene Verfahren besteht darin, mit der Nutzung von Daten wie demografischen und familiären Daten, genetischen Daten, medizinischen Verfahren und Krebsbehandlung, Hautbiopsien usw. zu beginnen, um einen mehrdimensionalen Datensatz zu erstellen und KI-Algorithmen anzuwenden, die Überlebenskurven und Sentinel-Lymphknoten-Positivität (SLNB) erzeugen können in CAYA. Der zu verwendende Ansatz wird in den folgenden Unterabschnitten vorgestellt:

• Datentechnik: Der mehrdimensionale Datensatz wird sorgfältig über DBT- und SQL-Abfragen in eine PostgreSQL-Datenbank integriert. Das Ergebnis ist eine modellfertige, umfassende Tabelle, die die entscheidende zeitliche Dimension der Patientengeschichten beibehält. Identifikatoren werden zugewiesen, um die Integrität des Datenpfads und die Verbindung zwischen verschiedenen Patientenereignissen wie Metastasierung und Tod aufrechtzuerhalten. Python-basierte Transformationen stellen sicher, dass aufeinanderfolgende Patientenereignisse durch vorangegangene Vorkommnisse textuell angereichert werden. Zu den Operationen gehören arithmetische Aggregationen, Extremwertberechnungen und Zeichenfolgenmanipulationen. Ereignisse werden über einen standardisierten Zeitrahmen (1–3 Monate) diskretisiert, um eine einheitliche Staging-Referenz zu gewährleisten und auch dazu zu dienen, fehlerhafte Dateninstanzen zu konsolidieren.
• Modellentwicklung: Unser Ansatz nutzt Überlebensanalysen, um die einzigartigen Herausforderungen unseres Datensatzes anzugehen, insbesondere die Zensur, bei der ein interessantes Ereignis wie der Tod nicht innerhalb des Beobachtungsfensters eintritt. Aufgrund unserer bisherigen Erfahrungen bei der Modellierung dieses Problems bevorzugen wir die Verwendung der Gradient Boosting Survival Analysis (GBSA), einer Methode ohne Deep Learning, da sie Probleme mit der Datenknappheit effektiv angeht. GBSA passt den Gradient-Boosting-Maschinenalgorithmus für die Überlebensanalyse an und berücksichtigt insbesondere zensierte Daten. In der Überlebensanalyse werden Patienten durch ein Triplett (xi, δi, Ti) dargestellt, wobei xi der Merkmalsvektor, Ti die Zeit bis zum Ereignis und δi angibt, ob die Beobachtung zensiert ist. Unser Ziel ist es, die Überlebensfunktion S(t) abzuschätzen, die die Wahrscheinlichkeit darstellt, dass ein Patient über den Zeitpunkt t hinaus überlebt, und die Gefahrenfunktion λ(t), die die momentane Wahrscheinlichkeit angibt, dass ein Ereignis zum Zeitpunkt t eintritt. Um es für den Überlebensmodellierungsbereich anzupassen, verwendet unser Modell den Gradient-Boosting-Ansatz mit einer modifizierten Verlustfunktion, der negativen logarithmischen Teilwahrscheinlichkeit. Dadurch können wir die Überlebensfunktion effektiv abschätzen.
• Leistungsmetriken: Wir messen die Modellleistung mithilfe des Konkordanzindex (C-Index), einer Metrik, die sich besonders für die Überlebensanalyse eignet. Der C-Index bewertet die Vorhersagegenauigkeit unseres Modells durch den Vergleich vorhergesagter und beobachteter Ereigniszeiten. Ein hoher C-Index zeigt an, dass unser Modell die Reihenfolge der Patientengefährdung anhand seiner Eingabemerkmale effektiv vorhersagt.