Médecine de précision pour le L/GCMN et le mélanome 1 (Precis-mel 1)

Precis-Mel 1 est une étude observationnelle unicentrique utilisant des données collectées rétrospectivement. La procédure proposée consiste à commencer à utiliser des données comprenant des données démographiques et familiales, des données génétiques, des procédures médicales et des traitements contre le cancer, des biopsies cutanées, etc. pour créer un ensemble de données multidimensionnelles et appliquer des algorithmes d'IA capables de produire des courbes de survie et une positivité des ganglions lymphatiques sentinelles (SLNB). à CAYA. L’approche à utiliser est présentée dans les sous-sections suivantes :

• Ingénierie des données : le jeu de données multidimensionnel est méticuleusement intégré via des requêtes DBT et SQL sur une base de données PostgreSQL. Il en résulte un tableau complet prêt à être modélisé, conservant la dimension temporelle cruciale des histoires des patients. Des identifiants sont attribués pour maintenir l'intégrité de la piste de données et la connexion entre divers événements du patient tels que les métastases et le décès. Les transformations basées sur Python garantissent que les événements séquentiels des patients sont enrichis textuellement par les occurrences précédentes. Les opérations incluent des agrégations arithmétiques, des calculs extrêmes et des manipulations de chaînes. Les événements sont discrétisés sur une période temporelle standardisée (1 à 3 mois) pour une référence de préparation uniforme, servant également à consolider toute instance de données mal alignée.
• Développement de modèles : notre approche utilise l'analyse de survie pour relever les défis uniques de notre ensemble de données, en particulier la censure, lorsqu'un événement d'intérêt, comme la mort, ne se produit pas dans la fenêtre d'observation. Sur la base de notre expérience précédente dans la modélisation de ce problème, nous préférons utiliser l'analyse de survie par gradient boosting (GBSA), une méthode d'apprentissage non profond, car elle résout efficacement les problèmes de rareté des données. GBSA adapte l'algorithme de la machine d'amplification de gradient pour l'analyse de survie, en prenant particulièrement en compte les données censurées. Dans l'analyse de survie, les patients sont représentés par un triplet (xi, δi, Ti), où xi est le vecteur de caractéristiques, Ti est le temps jusqu'à l'événement et δi indique si l'observation est censurée. Notre objectif est d'estimer la fonction de survie S(t), représentant la probabilité qu'un patient survive au-delà du temps t, et la fonction de risque λ(t), indiquant la probabilité instantanée qu'un événement se produise au temps t. Pour l'adapter au domaine de la modélisation de la survie, notre modèle utilise l'approche de renforcement du gradient avec une fonction de perte modifiée, le log de vraisemblance partielle négative. Cela nous permet d’estimer efficacement la fonction de survie.
• Métriques de performance : nous mesurons les performances du modèle à l'aide de l'indice de concordance (c-index), une métrique particulièrement adaptée à l'analyse de survie. Le c-index évalue la précision prédictive de notre modèle en comparant les temps d'événements prédits et observés. Un indice C élevé indique que notre modèle prédit efficacement l'ordre de risque pour le patient compte tenu de ses caractéristiques d'entrée.