Using a machine learning algorithm to predict outcome of primary cytoreductive surgery in advanced ovarian cancer
Notice bibliographique
Résumé
OBJECTIVE: To develop a machine learning (ML) algorithm to predict outcome of primary cytoreductive surgery (PCS) in patients with advanced ovarian cancer (AOC) METHODS: This retrospective cohort study included patients with AOC undergoing PCS between January 2017 and February 2021. Using radiologic criteria, patient factors (age, CA-125, performance status, BRCA) and surgical complexity scores, we trained a random forest model to predict the dichotomous outcome of optimal cytoreduction (<1 cm) and no gross residual (RD = 0 mm) using JMP-Pro 15 (SAS). This model is available at https://ipm-ml.ccm.sickkids.ca. RESULTS: One hundred and fifty-one patients underwent PCS and randomly assigned to train (n = 92), validate (n = 30), or test (n = 29) the model. The median age was 58 (27-83). Patients with suboptimal cytoreduction were more likely to have an Eastern Cooperative Oncology Group 3-4 (11% vs. 0.75%, p = 0.004), lower albumin (38 vs. 41, p = 0.02), and higher CA125 (1126 vs. 388, p = 0.012) than patients with optimal cytoreduction (n = 133). There were no significant differences in age, histology, stage, or BRCA status between groups. The bootstrap random forest model had AUCs of 99.8% (training), 89.6%(validation), and 89.0% (test). The top five contributors were CA125, albumin, diaphragmatic disease, age, and ascites. For RD = 0 mm, the AUCs were 94.4%, 52%, and 84%, respectively. CONCLUSION: Our ML algorithm demonstrated high accuracy in predicting optimal cytoreduction in patients with AOC selected for PCS and may assist decision-making.
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 | 0,000 |
| 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 | 0,001 |
| 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 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 ».