Comparison of Artificial Neural Networks and Logistic Regression for 30-days Survival Prediction of Cancer Patients
Notice bibliographique
Résumé
INTRODUCTION: A machine learning technique that imitates neural system and brain can provide better than traditional methods like logistic regression for survival prediction and create an algorithm by determining influential factors. AIM: To determine the influential factors on survival time of palliative care cancer patients and to compare two statistical methods for better prediction of survival. METHODS: One-year data is gathered from the patients that we followed in the palliative care clinic of our hospital (2017-2018) (n = 189). All data were retrospectively evaluated. After descriptive statistics, we used Pearson and Spearman correlations for parametric and non-parametric variables. The Artificial Neural Networks (ANN) and logistic regression model were applied to parameters which have a significant correlation with short survival. RESULTS: Significantly correlated variables with short survival were Palliative Performance Scale (PPS), Edmonton Symptom Assessment System (ESAS), Karnofsky Performance Scale (KPS), brain, liver, and distant metastasis, hemogram parameters, cero-reactive protein (CRP) and albumin (ALB). ANN model showed 89.3% prediction accuracy while the logistic regression model showed 73.0%. ANN model achieved a better AUC value of 0.86 than logistic regression model (0.76). DISCUSSION: There are several prognostic evaluation tools such as PPS, KPS, CRP, albumin, leukocytes, neutrophil were reported several studies as survival-related parameters in logistic regression models, also. Many studies compare ANN with logistic regression. When we evaluated these parameters totally, we observed the same relations with survival then we used the same parameters in the ANN model. The effectivity of the survival prediction models can be improved with the use of ANN. CONCLUSION: ANN provides a more accurate estimation than logistic regression. ANN model is an important statistical method for survival prediction of cancer patients.
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 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».