Presisjonsmedisin for L/GCMN og melanom 1 (Precis-mel 1)

Precis-Mel 1 er en unsentrisk observasjonsstudie som bruker retrospektivt innsamlede data. Den foreslåtte prosedyren er å begynne å bruke data, inkludert demografiske data og familiedata, genetiske data, medisinske prosedyrer og kreftbehandling, kutan biopsi, etc. for å bygge et flerdimensjonalt datasett og bruke AI-algoritmer som kan produsere overlevelseskurver og vaktpostlymfeknute (SLNB) positivitet i CAYA. Tilnærmingen som skal brukes er presentert i følgende underavsnitt:

• Datateknikk: det flerdimensjonale datasettet er omhyggelig integrert via DBT- og SQL-spørringer i en PostgreSQL-database. Dette resulterer i en modellklar omfattende tabell, som opprettholder den avgjørende tidsmessige dimensjonen til pasienthistorier. Identifikatorer er tildelt for å opprettholde integriteten til datasporet og sammenhengen mellom ulike pasienthendelser som metastaser og død. Python-baserte transformasjoner sikrer at sekvensielle pasienthendelser blir ontekstuelt beriket av tidligere hendelser. Operasjoner inkluderer aritmetiske aggregeringer, ekstremumberegninger og strengmanipulasjoner. Hendelser diskretiseres over en standardisert tidsramme (1-3 måneder) for enhetlig iscenesettelsesreferanse, og tjener også til å konsolidere eventuelle feiljusterte dataforekomster.
• Modellutvikling: vår tilnærming bruker overlevelsesanalyse for å møte de unike utfordringene i datasettet vårt, spesielt sensurering, der en hendelse av interesse, som død, ikke forekommer innenfor observasjonsvinduet. Basert på vår tidligere erfaring med å modellere dette problemet, foretrekker vi å bruke Gradient Boosting Survival Analysis (GBSA), en ikke-dyp læringsmetode, da den effektivt løser problemer med dataknapphet. GBSA tilpasser maskinalgoritmen for gradientforsterkning for overlevelsesanalyse, spesielt tilpasset sensurerte data. I overlevelsesanalyse er pasienter representert med en triplett (xi, δi, Ti), der xi er trekkvektoren, Ti er tiden til hendelse, og δi indikerer om observasjonen er sensurert. Målet vårt er å estimere overlevelsesfunksjonen S(t), som representerer sannsynligheten for at en pasient overlever utover tid t, og farefunksjonen λ(t), som indikerer den øyeblikkelige sannsynligheten for at en hendelse inntreffer på tidspunktet t. For å tilpasse den for overlevelsesmodelleringsdomenet, bruker modellen vår gradientforsterkende tilnærming med en modifisert tapsfunksjon, den negative loggen delvis sannsynlighet. Dette gjør at vi effektivt kan estimere overlevelsesfunksjonen.
• Ytelsesmålinger: vi måler modellytelse ved å bruke konkordansindeksen (c-indeks), en beregning spesielt egnet for overlevelsesanalyse. C-indeksen vurderer den prediktive nøyaktigheten til modellen vår ved å sammenligne predikerte og observerte hendelsestider. En høy c-indeks indikerer at modellen vår effektivt forutsier rekkefølgen av pasientfare gitt dens inputfunksjoner.