Medicina de Precisão para L/GCMN e Melanoma 1 (Precis-mel 1)

Precis-Mel 1 é um estudo observacional unicêntrico que utiliza dados coletados retrospectivamente. O procedimento proposto é começar a usar dados incluindo dados demográficos e familiares, dados genéticos, procedimentos médicos e tratamento de câncer, biópsia cutânea, etc. para construir um conjunto de dados multidimensional e aplicar algoritmos de IA que possam produzir curvas de sobrevivência e positividade do linfonodo sentinela (SLNB). em CAIA. A abordagem a ser utilizada é apresentada nas seguintes subseções:

• Engenharia de dados: o conjunto de dados multidimensional é meticulosamente integrado por meio de consultas DBT e SQL em um banco de dados PostgreSQL. Isto resulta em uma tabela abrangente pronta para modelo, mantendo a dimensão temporal crucial dos históricos dos pacientes. Os identificadores são atribuídos para manter a integridade do rastro de dados e a conexão entre vários eventos do paciente, como metástase e morte. As transformações baseadas em Python garantem que os eventos sequenciais do paciente sejam enriquecidos textualmente pelas ocorrências anteriores. As operações incluem agregações aritméticas, cálculos extremos e manipulações de strings. Os eventos são discretizados em um quadro temporal padronizado (1-3 meses) para referência uniforme de preparação, servindo também para consolidar quaisquer instâncias de dados desalinhadas.
• Desenvolvimento de modelo: nossa abordagem emprega análise de sobrevivência para enfrentar os desafios únicos do nosso conjunto de dados, particularmente a censura, onde um evento de interesse, como a morte, não ocorre dentro da janela de observação. Com base em nossa experiência anterior na modelagem deste problema, preferimos usar Gradient Boosting Survival Analysis (GBSA), um método de aprendizagem não profunda, pois aborda efetivamente problemas de escassez de dados. GBSA adapta o algoritmo da máquina de aumento de gradiente para análise de sobrevivência, acomodando particularmente dados censurados. Na análise de sobrevivência, os pacientes são representados por um trio (xi, δi, Ti), onde xi é o vetor de características, Ti é o tempo até o evento e δi indica se a observação foi censurada. Nosso objetivo é estimar a função de sobrevivência S(t), representando a probabilidade de um paciente sobreviver além do tempo t, e a função de risco λ(t), indicando a probabilidade instantânea de um evento ocorrer no tempo t. Para adaptá-lo ao domínio de modelagem de sobrevivência, nosso modelo utiliza a abordagem de aumento de gradiente com uma função de perda modificada, a probabilidade parcial logarítmica negativa. Isso nos permite estimar efetivamente a função de sobrevivência.
• Métricas de desempenho: medimos o desempenho do modelo usando o índice de concordância (índice c), uma métrica particularmente adequada para análise de sobrevivência. O índice c avalia a precisão preditiva do nosso modelo comparando os tempos dos eventos previstos e observados. Um índice c alto indica que nosso modelo prevê efetivamente a ordem de risco do paciente, dados seus recursos de entrada.