Tarkkuuslääketiede L/GCMN:ään ja melanoomaan 1 (Precis-mel 1)

Precis-Mel 1 on yksikeskinen havaintotutkimus, jossa käytetään takautuvasti kerättyä tietoa. Ehdotettu menettely on aloittaa tietojen käyttö, mukaan lukien demografiset ja perhetiedot, geneettiset tiedot, lääketieteelliset toimenpiteet ja syövän hoito, ihobiopsia jne. moniulotteisen tietojoukon rakentamiseksi ja tekoälyalgoritmien soveltamiseksi, jotka voivat tuottaa eloonjäämiskäyriä ja vartijaimusolmukkeiden (SLNB) positiivisuutta. CAYA:ssa. Käytettävä lähestymistapa on esitetty seuraavissa alaosissa:

• Tietotekniikka: moniulotteinen tietojoukko integroidaan huolellisesti DBT- ja SQL-kyselyillä PostgreSQL-tietokantaan. Tämä johtaa malliin valmiiseen kattavaan taulukkoon, joka säilyttää potilaskertomusten keskeisen ajallisen ulottuvuuden. Tunnisteet on määritetty ylläpitämään tietopolun eheyttä ja yhteyttä erilaisten potilastapahtumien, kuten etäpesäkkeiden ja kuoleman, välillä. Python-pohjaiset muunnokset varmistavat, että peräkkäiset potilastapahtumat rikastuvat tekstissä edeltävien tapahtumien avulla. Toimintoja ovat aritmeettiset aggregaatiot, ääriarvolaskelmat ja merkkijonojen käsittelyt. Tapahtumat diskretoidaan standardoidun ajallisen kehyksen (1–3 kuukautta) yli yhtenäisen vaiheittaisen viittauksen saamiseksi, mikä myös auttaa konsolidoimaan mahdolliset väärin kohdistetut datainstanssit.
• Mallin kehittäminen: Lähestymistapamme käyttää selviytymisanalyysiä tietojoukkomme ainutlaatuisten haasteiden käsittelemiseksi, erityisesti sensuroinnin, jossa kiinnostavaa tapahtumaa, kuten kuolemaa, ei tapahdu havaintoikkunassa. Aiemman kokemuksemme perusteella tämän ongelman mallintamisesta käytämme mieluummin Gradient Boosting Survival Analysis -analyysiä (GBSA), joka on ei-syväoppimismenetelmä, koska se ratkaisee tehokkaasti tiedon niukkuuteen liittyviä ongelmia. GBSA mukauttaa gradientin tehostuskoneen algoritmin selviytymisanalyysiin, erityisesti sensuroitujen tietojen mukauttamiseen. Eloonjäämisanalyysissä potilaita edustaa tripletti (xi, δi, Ti), jossa xi on piirrevektori, Ti on aika tapahtumaan ja δi osoittaa, onko havainto sensuroitu. Tavoitteenamme on arvioida eloonjäämisfunktio S(t), joka edustaa potilaan todennäköisyyttä selviytyä ajan t jälkeen, ja vaarafunktio λ(t), joka ilmaisee hetkellisen tapahtuman todennäköisyyden hetkellä t. Sen mukauttamiseksi eloonjäämismallinnusalueelle mallimme käyttää gradienttitehostusmenetelmää modifioidulla häviöfunktiolla, negatiivisella logaritmistodennäköisyydellä. Tämän avulla voimme tehokkaasti arvioida eloonjäämisfunktion.
• Suorituskykymittarit: mittaamme mallin suorituskykyä konkordanssiindeksillä (c-indeksi), joka on erityisen sopiva eloonjäämisanalyysiin. C-indeksi arvioi mallimme ennustetarkkuuden vertaamalla ennustettuja ja havaittuja tapahtumaaikoja. Korkea c-indeksi osoittaa, että mallimme ennustaa tehokkaasti potilaan vaarojen järjestyksen syöteominaisuuksiensa perusteella.