Abstract A63: Overcoming challenges in health care with machine learning: Innovation from retinoblastoma
Notice bibliographique
Résumé
Abstract Introduction: As retinoblastoma is a rare pediatric cancer (1/17,000 live births) with little evidence to justify treatment choices, we built a cloud-based retinoblastoma-specific electronic health record database for point-of-care data to support clinical and research collaboration and provide a quantitative analysis of prescribed treatments. Methods: Disease-specific Electronic Patient Illustrated Clinical Timeline (DEPICT HEALTH) is online, cloud-based, interactive, with point-of-care timelines and corresponding retinal/tumor drawings, with standardized scoring of tumor number, size, and locations. Results: DEPICT HEALTH records are contributed by the entire care team and used in quantitative treatment analyses. DEPICT HEALTH effectively communicates disease and treatment information to the patients’ circle of care and their parents, independent of language. The Retinoblastoma Activity Index (RAI) quantifies the active tumor (colored yellow) by counting the yellow pixels in the DEPICT HEALTH digital drawings. The drawings represent tumor at every encounter based on the collective opinion of the care team, and the RAI will quantitate tumor response to treatment. Two clinical trials were initiated using DEPICT HEALTH and RAI for eligibility and short- and long-term outcomes. Conclusion: Using RAI to score tumor response provides RECIST (response evaluation criteria in solid tumors) for retinoblastoma research, a standard of measurement that has never before been available. Machine learning methods will ultimately analyze point-of-care data to predict patient outcomes and assist with clinical decision making. DEPICT HEALTH provides an unbiased view of the efficacy of treatments, with potential to allow global point-of-care data to be widely available for research, essentially an “n” of “ALL.” Citation Format: Isabella Janusonis, Tran Truong, Justin Liu, Mei Chen, Brenda Gallie. Overcoming challenges in health care with machine learning: Innovation from retinoblastoma [abstract]. In: Proceedings of the AACR Special Conference on the Advances in Pediatric Cancer Research; 2019 Sep 17-20; Montreal, QC, Canada. Philadelphia (PA): AACR; Cancer Res 2020;80(14 Suppl):Abstract nr A63.
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 | 0,001 | 0,001 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».