Multistate Markov modelling of long-term outcomes in immunotherapy for metastatic renal cell carcinoma (mRCC) using machine-learned dynamic Bayesian networks.
Notice bibliographique
Résumé
e14049 Background: Patient-level heterogeneity in response to treatment remains a major challenge in cancer immunotherapy. Long-term individual-level modelling of survival, tumour response and safety outcomes jointly can help improve efficacy and durable clinical benefits. Machine-learned Bayesian networks provide a solution to the “black box” problem of other machine-learning approaches. Objectives: To develop a dynamic Bayesian network model for multivariate risk prediction, survival modelling and long-term simulations of immunotherapy patients using a simulated trial dataset. Methods: A simulated randomized clinical trial dataset for second line immunotherapy of patients with renal cell carcinoma was used for analysis. We machine-learned a dynamic Bayesian network from censored data with incorporation of prior clinical knowledge. Classification performance, probability calibration, goodness-of-fit metrics and prognostic variables were calculated following TRIPOD guidelines. Results: The machine-learned graphical model encoded expected relationships between variables with minimal prior information. Visual and numerical goodness-of-fit checks for survival extrapolations showed that the model fitted data well and was appropriate. Probability calibration was < 10% from ideal. Classification performance for overall survival was high ( c-statistic ~0.85) soon after treatment initiation and gradually plateaued over time. Prognostic variables were calculated by treatment arm for overall survival and severe adverse events. Conclusions: Dynamic Bayesian network model was useful for transparently representing joint relationships between all variables in the trial dataset, for multivariate risk prediction and long-term extrapolations that can be used in economic evaluations for health technology assessments in oncology.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».