Precisionsmedicin för L/GCMN och melanom 1 (Precis-mel 1)

Precis-Mel 1 är en unicentrisk observationsstudie som använder retrospektivt insamlad data. Det föreslagna förfarandet är att börja använda data inklusive demografiska data och familjedata, genetiska data, medicinska procedurer och cancerbehandling, kutan biopsi, etc. för att bygga en multidimensionell datauppsättning och tillämpa AI-algoritmer som kan producera överlevnadskurvor och positivitet för sentinel lymfkörtel (SLNB) i CAYA. Metoden som ska användas presenteras i följande underavsnitt:

• Datateknik: den flerdimensionella datamängden är minutiöst integrerad via DBT- och SQL-frågor i en PostgreSQL-databas. Detta resulterar i en modellfärdig omfattande tabell, som upprätthåller den avgörande tidsdimensionen av patienthistorier. Identifierare tilldelas för att upprätthålla dataspårets integritet och kopplingen mellan olika patienthändelser som metastaser och dödsfall. Python-baserade transformationer säkerställer att sekventiella patienthändelser berikas ontextuellt av föregående händelser. Operationer inkluderar aritmetiska aggregationer, extremumberäkningar och strängmanipulationer. Händelser diskretiseras över en standardiserad tidsram (1-3 månader) för enhetlig iscensättningsreferens, vilket också tjänar till att konsolidera eventuella felaktiga datainstanser.
• Modellutveckling: vårt tillvägagångssätt använder sig av överlevnadsanalys för att ta itu med de unika utmaningarna med vår datauppsättning, särskilt censurering, där en händelse av intresse, som dödsfall, inte inträffar inom observationsfönstret. Baserat på vår tidigare erfarenhet av att modellera detta problem, föredrar vi att använda Gradient Boosting Survival Analysis (GBSA), en metod utan djupinlärning, eftersom den effektivt tar itu med problem med databrist. GBSA anpassar den gradientförstärkande maskinens algoritm för överlevnadsanalys, särskilt för censurerad data. I överlevnadsanalys representeras patienter av en triplett (xi, δi, Ti), där xi är funktionsvektorn, Ti är tiden till händelse och δi indikerar om observationen är censurerad. Vårt mål är att uppskatta överlevnadsfunktionen S(t), som representerar sannolikheten för att en patient ska överleva efter tid t, och riskfunktionen λ(t), vilket indikerar den momentana sannolikheten för att en händelse inträffar vid tidpunkten t. För att anpassa den för överlevnadsmodelleringsdomänen använder vår modell den gradientförstärkande metoden med en modifierad förlustfunktion, den negativa loggen partiell sannolikhet. Detta gör att vi effektivt kan uppskatta överlevnadsfunktionen.
• Prestandamått: vi mäter modellprestanda med hjälp av konkordansindex (c-index), ett mått speciellt lämpat för överlevnadsanalys. C-indexet bedömer den prediktiva noggrannheten hos vår modell genom att jämföra förutspådda och observerade händelsetider. Ett högt c-index indikerar att vår modell effektivt förutsäger ordningen för patientrisker givet dess indatafunktioner.