Predicting survival after radical prostatectomy: Variation of machine learning performance by race
Notice bibliographique
Résumé
BACKGROUND: Robust prediction of survival can facilitate clinical decision-making and patient counselling. Non-Caucasian males are underrepresented in most prostate cancer databases. We evaluated the variation in performance of a machine learning (ML) algorithm trained to predict survival after radical prostatectomy in race subgroups. METHODS: We used the National Cancer Database (NCDB) to identify patients undergoing radical prostatectomy between 2004 and 2016. We grouped patients by race into Caucasian, African-American, or non-Caucasian, non-African-American (NCNAA) subgroups. We trained an Extreme Gradient Boosting (XGBoost) classifier to predict 5-year survival in different training samples: naturally race-imbalanced, race-specific, and synthetically race-balanced. We evaluated performance in the test sets. RESULTS: A total of 68,630 patients met inclusion criteria. Of these, 57,635 (84%) were Caucasian, 8173 (12%) were African-American, and 2822 (4%) were NCNAA. For the classifier trained in the naturally race-imbalanced sample, the F1 scores were 0.514 (95% confidence interval: 0.513-0.511), 0.511 (0.511-0.512), 0.545 (0.541-0.548), and 0.378 (0.378-0.389) in the race-imbalanced, Caucasian, African-American, and NCNAA test samples, respectively. For all race subgroups, the F1 scores of classifiers trained in the race-specific or synthetically race-balanced samples demonstrated similar performance compared to training in the naturally race-imbalanced sample. CONCLUSIONS: A ML algorithm trained using NCDB data to predict survival after radical prostatectomy demonstrates variation in performance by race, regardless of whether the algorithm is trained in a naturally race-imbalanced, race-specific, or synthetically race-balanced sample. These results emphasize the importance of thoroughly evaluating ML algorithms in race subgroups before clinical deployment to avoid potential disparities in care.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».