Risk Prediction Using Bayesian Networks: An Immunotherapy Case Study in Patients With Metastatic Renal Cell Carcinoma
Notice bibliographique
Résumé
PURPOSE: To address the need for more accurate risk stratification models for cancer immuno-oncology, this study aimed to develop a machine-learned Bayesian network model (BNM) for predicting outcomes in patients with metastatic renal cell carcinoma (mRCC) being treated with immunotherapy. METHODS: Patient-level data from the randomized, phase III CheckMate 025 clinical trial comparing nivolumab with everolimus for second-line treatment in patients with mRCC were used to develop the BNM. Outcomes of interest were overall survival (OS), all-cause adverse events, and treatment-related adverse events (TRAE) over 36 months after treatment initiation. External validation of the model's predictions for OS was conducted using data from select centers from the International Metastatic Renal Cell Carcinoma Database Consortium (IMDC). RESULTS: Areas under the receiver operating characteristic curve (AUCs) for BNM-based classification of OS using baseline data were 0.74, 0.71, and 0.68 over months 12, 24, and 36, respectively. AUC for OS at 12 months increased to 0.86 when treatment response and progression status in year 1 were included as predictors; progression and response at 12 months were highly prognostic of all outcomes over the 36-month period. AUCs for adverse events and treatment-related adverse events were approximately 0.6 at 12 months but increased to approximately 0.7 by 36 months. Sensitivity analysis comparing the BNM with machine learning classifiers showed comparable performance. Test AUC on IMDC data for 12-month OS was 0.71 despite several variable imbalances. Notably, the BNM outperformed the IMDC risk score alone. CONCLUSION: The validated BNM performed well at prediction using baseline data, particularly with the inclusion of response and progression at 12 months. Additionally, the results suggest that 12 months of follow-up data alone may be sufficient to inform long-term survival projections in patients with mRCC.
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 | 0,004 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».