Прецизионная медицина при L/GCMN и меланоме 1 (Precis-mel 1)

Precis-Mel 1 — это уницентрическое обсервационное исследование с использованием ретроспективно собранных данных. Предлагаемая процедура заключается в том, чтобы начать использовать данные, включая демографические и семейные данные, генетические данные, медицинские процедуры и лечение рака, биопсию кожи и т. д., для создания многомерного набора данных и применения алгоритмов искусственного интеллекта, которые могут создавать кривые выживаемости и положительные результаты в сторожевых лимфатических узлах (SLNB). в КАЙЕ. Используемый подход представлен в следующих подразделах:

• Инженерия данных: многомерный набор данных тщательно интегрируется с помощью DBT и SQL-запросов в базе данных PostgreSQL. В результате получается готовая к модели комплексная таблица, сохраняющая важнейшее временное измерение историй болезни пациентов. Идентификаторы назначаются для обеспечения целостности цепочки данных и связи между различными событиями пациента, такими как метастазы и смерть. Преобразования на основе Python гарантируют, что последовательные события пациента текстуально обогащаются предыдущими событиями. Операции включают арифметические агрегаты, вычисления экстремумов и манипуляции со строками. События дискретизируются в стандартизированном временном интервале (1–3 месяца) для единообразного промежуточного анализа, а также служат для консолидации любых несогласованных экземпляров данных.
• Разработка модели: наш подход использует анализ выживаемости для решения уникальных проблем нашего набора данных, в частности цензуры, когда интересующее событие, такое как смерть, не происходит в пределах окна наблюдения. Основываясь на нашем предыдущем опыте моделирования этой проблемы, мы предпочитаем использовать анализ выживания с градиентным повышением (GBSA), метод без глубокого обучения, поскольку он эффективно решает проблемы нехватки данных. GBSA адаптирует алгоритм машины повышения градиента для анализа выживаемости, особенно с учетом подвергнутых цензуре данных. В анализе выживаемости пациенты представлены тройкой (xi, δi, Ti), где xi — вектор признаков, Ti — время до события, а δi указывает, подвергается ли наблюдение цензуре. Наша цель — оценить функцию выживания S(t), представляющую вероятность выживания пациента после времени t, и функцию риска λ(t), указывающую мгновенную вероятность события, происходящего в момент времени t. Чтобы адаптировать ее для области моделирования выживания, наша модель использует подход повышения градиента с модифицированной функцией потерь, отрицательным логарифмическим частичным правдоподобием. Это позволяет нам эффективно оценить функцию выживания.
• Показатели производительности: мы измеряем производительность модели с помощью индекса согласованности (c-индекс), метрики, особенно подходящей для анализа выживаемости. C-индекс оценивает точность прогнозирования нашей модели путем сравнения прогнозируемого и наблюдаемого времени событий. Высокий индекс c указывает на то, что наша модель эффективно предсказывает порядок опасностей для пациента с учетом ее входных характеристик.