Artificial neural networks for simultaneously predicting the risk of multiple co‐occurring symptoms among patients with cancer
Notice bibliographique
Résumé
Patients with cancer often exhibit multiple co-occurring symptoms which can impact the type of treatment received, recovery, and long-term health. We aim to simultaneously predict the risk of three symptoms: severe pain, moderate-severe depression, and poor well-being in order to flag patients who may benefit from pre-emptive early symptom management. This was a retrospective population-based cohort study of adults diagnosed with cancer between 2008 and 2015. We developed and tested an Artificial Neural Network (ANN) model to predict the risk of multiple co-occurring symptoms within 6 months after diagnosis. The ANN model derived from a training cohort was assessed on an independent test cohort for model performance based on sensitivity, specificity, accuracy, AUC, and calibration. The mutually exclusive training and test cohorts consisted of 35,606 and 10,498 patients, respectively. The area under the curve for the risk of experiencing severe pain, moderate-severe depression, and poor well-being were 71%, 73%, and 70%, respectively. Patient characteristics at highest risk of simultaneously experiencing these three symptoms included: those with lung cancer, late stage cancer, existing chronic conditions such as osteoarthritis, mood disorder, hypertension, diabetes, and coronary disease. Patients with over a 40% risk of severe pain also had over a 70% risk of depression, and over a 55% risk of poor well-being. Our ANN model was able to simultaneously predict the risk of pain, depression, and lack of well-being. Accurate prediction of future symptom burden can serve as an early indicator tool so that providers can implement timely interventions for symptom management, ultimately improving cancer care and quality of life.
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 | 0,000 | 0,000 |
| 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 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 ».