An Adaptive Neuro-Fuzzy Inference System Approach to Neutrophil Prediction in Childhood Leukaemia
Notice bibliographique
Résumé
Acute Lymphoblastic Leukaemia (ALL) is the most common form of cancer in childhood. Chemotherapy treatment for ALL involves three phases viz. induction, intensification and maintenance. The maintenance phase includes daily intake of the drug 6-Mercaptopurine that helps kill any remaining abnormal cells and prevent relapse. A well-known side effect of the drug, however, is a reduction in neutrophils, a type of white blood cell, leading to an increased risk of secondary infection, periods of hospitalisation and time off treatment. Blood counts are monitored on a weekly basis and drug dosages altered in an attempt to minimise this risk. However, there is currently no intelligent method of determining optimum dosages for individual patients and typically neutrophil counts will drop below an acceptable level every 6-8 week. This paper proposes a seven-day ahead neutrophil count prediction methodology based on a Takagu-Sugeno model and an Adaptive Neuro-Fuzzy Inference System (ANFIS) in order to support dosing decisions. The methodology is applied to data for the maintenance phase from one female patient, where it is shown to accurately predict neutrophil counts seven-days ahead with a mean squared error of 0.25. This is not only significant in terms of improving the outcomes for ALL patients but also has the potential to be applied to the treatment of other forms of cancer and other diseases where personalised dosing is important, e.g. in Schizophrenia treatment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».