Comparison of Artificial Neural Networks and Logistic Regression for 30-days Survival Prediction of Cancer Patients
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découle