Use of machine learning to predict early biochemical recurrence after robot‐assisted prostatectomy
Notice bibliographique
Résumé
OBJECTIVES: To train and compare machine-learning algorithms with traditional regression analysis for the prediction of early biochemical recurrence after robot-assisted prostatectomy. PATIENTS AND METHODS: A prospectively collected dataset of 338 patients who underwent robot-assisted prostatectomy for localized prostate cancer was examined. We used three supervised machine-learning algorithms and 19 different training variables (demographic, clinical, imaging and operative data) in a hypothesis-free manner to build models that could predict patients with biochemical recurrence at 1 year. We also performed traditional Cox regression analysis for comparison. RESULTS: K-nearest neighbour, logistic regression and random forest classifier were used as machine-learning models. Classic Cox regression analysis had an area under the curve (AUC) of 0.865 for the prediction of biochemical recurrence. All three of our machine-learning models (K-nearest neighbour (AUC 0.903), random forest tree (AUC 0.924) and logistic regression (AUC 0.940) outperformed the conventional statistical regression model. Accuracy prediction scores for K-nearest neighbour, random forest tree and logistic regression were 0.976, 0.953 and 0.976, respectively. CONCLUSIONS: Machine-learning techniques can produce accurate disease predictability better that traditional statistical regression. These tools may prove clinically useful for the automated prediction of patients who develop early biochemical recurrence after robot-assisted prostatectomy. For these patients, appropriate individualized treatment options can improve outcomes and quality of life.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».