QOL-22. MACHINE-LEARNING INFERENCE MAY PREDICT QUALITY OF LIFE SUBGROUPS OF ADAMANTINOMATOUS CRANIOPHARYNGIOMA
Notice bibliographique
Résumé
Abstract BACKGROUND Due to disease and/or treatment-related injury, such as hypothalamic, visual, and endocrine damage, quality of life (QoL) scores after childhood-onset Adamantinomatous Craniopharyngioma (ACP) are among the lowest of all pediatric brain tumors. Decision-making regarding management would be aided by more complete understanding of a patients likely QoL trajectory following intervention. METHODS We retrospectively analyzed caregiver and patient-reported QoL-instruments from the first 50 patients (ages 1–17 years at diagnosis) enrolled in the international Advancing Treatment for Pediatric Craniopharyngioma (ATPC) consortium. Surveys included 205 pediatric-relevant questions and were completed at diagnosis, and 1- and 12-months following diagnosis. Using Multiple Correspondence Analysis (MCA), these categorical QoL surveys were interrogated to identify time-dependent patient subgroups. Additionally, custom deep learning classifiers were developed using Google’s TensorFlow framework. RESULTS By representing QoL data in the reduced dimensionality of MCA-space, we identified QoL subgroups that either improved or declined over time. We assessed differential trends in QoL responses to identify variables that were subgroup specific (Kolmogorov-Smirnov p-value < 0.1; n=20). Additionally, our optimized deep learning classifier achieved a mean 5-fold cross-validation area under precision-recall curve score > 0.99 when classifying QoL subgroups at 12 month follow-up, using only baseline data. CONCLUSIONs This work demonstrates the existence of time-dependent QoL-based ACP subgroups that can be inferred at time-of-diagnosis via machine learning analyses of baseline survey responses. The ability to predict an ACP patient’s QoL trajectory affords caregivers valuable information that can be leveraged to maximize that patient’s psychosocial state and therefore improve overall therapy.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».