Medycyna precyzyjna w leczeniu L/GCMN i czerniaka 1 (Precis-mel 1)

Precis-Mel 1 to jednocentryczne badanie obserwacyjne wykorzystujące dane zebrane retrospektywnie. Proponowana procedura polega na rozpoczęciu wykorzystywania danych obejmujących dane demograficzne i rodzinne, dane genetyczne, procedury medyczne i leczenie raka, biopsję skóry itp. w celu zbudowania wielowymiarowego zbioru danych i zastosowania algorytmów sztucznej inteligencji, które mogą wygenerować krzywe przeżycia i dodatni wynik węzła chłonnego wartowniczego (SLNB). w CAYI. Podejście, które należy zastosować, przedstawiono w następujących podrozdziałach:

• Inżynieria danych: wielowymiarowy zbiór danych jest skrupulatnie integrowany za pomocą zapytań DBT i SQL w bazie danych PostgreSQL. W rezultacie powstaje kompleksowa tabela gotowa do stworzenia modelu, zachowująca kluczowy wymiar czasowy historii pacjentów. Identyfikatory są przypisywane w celu zachowania integralności ścieżki danych i powiązania między różnymi zdarzeniami u pacjenta, takimi jak przerzuty i śmierć. Transformacje oparte na języku Python zapewniają, że kolejne zdarzenia pacjenta są tekstowo wzbogacane o poprzedzające wystąpienia. Operacje obejmują agregacje arytmetyczne, obliczenia ekstremów i manipulację ciągami. Zdarzenia są dyskretyzowane w standardowych ramach czasowych (1-3 miesiące) w celu uzyskania jednolitego odniesienia do przemieszczania, a także służą do konsolidacji wszelkich błędnie wyrównanych instancji danych.
• Rozwój modelu: nasze podejście wykorzystuje analizę przeżycia, aby sprostać wyjątkowym wyzwaniom związanym z naszym zbiorem danych, w szczególności cenzurowaniu, gdy interesujące zdarzenie, takie jak śmierć, nie występuje w oknie obserwacji. Bazując na naszych wcześniejszych doświadczeniach w modelowaniu tego problemu, wolimy używać analizy przeżycia metodą gradientu (GBSA), metody nie wymagającej głębokiego uczenia się, ponieważ skutecznie rozwiązuje ona problemy związane z niedoborem danych. GBSA dostosowuje algorytm maszyny zwiększającej gradient do analizy przeżycia, szczególnie uwzględniając cenzurowane dane. W analizie przeżycia pacjentów reprezentuje trójka (xi, δi, Ti), gdzie xi to wektor cech, Ti to czas do wystąpienia zdarzenia, a δi wskazuje, czy obserwacja jest ocenzurowana. Naszym celem jest oszacowanie funkcji przeżycia S(t), reprezentującej prawdopodobieństwo przeżycia pacjenta po czasie t, oraz funkcji hazardu λ(t), wskazującej chwilowe prawdopodobieństwo wystąpienia zdarzenia w chwili t. Aby dostosować go do dziedziny modelowania przeżycia, nasz model wykorzystuje podejście polegające na zwiększaniu gradientu ze zmodyfikowaną funkcją straty, logarytm częściowego prawdopodobieństwa ujemnego. Pozwala to skutecznie oszacować funkcję przeżycia.
• Metryki wydajności: mierzymy wydajność modelu za pomocą wskaźnika zgodności (indeks c), miernika szczególnie przydatnego do analizy przeżycia. Indeks c ocenia dokładność predykcyjną naszego modelu poprzez porównanie przewidywanego i zaobserwowanego czasu zdarzenia. Wysoki wskaźnik c wskazuje, że nasz model skutecznie przewiduje kolejność zagrożeń dla pacjenta, biorąc pod uwagę jego cechy wejściowe.