An Improved CHI2 Feature Selection Based a Two-Stage Prediction of Comorbid Cancer Patient Survivability
Notice bibliographique
Résumé
There are theoretical and practical ramifications to modelling cancer patients' survival with concurrent illnesses.Cancer is one of the leading causes of mortality worldwide.Stomach, liver, thyroid, lungs, and skin cancers are a few of the more common types.The early identification and prevention of these malignancies are important goals.Recent investigations have found that some patients suffer cancer-related co-morbidities.Studies show that comorbid conditions worsen the prognosis of cancer patients.There are several methods that might have led to this finding.With hazard ratios ranging from 1.1 to 5.8, the majority of studies discovered that cancer patients with comorbidity had a poorer 5-year survival rate than those without.Just a few research have examined the effects of certain chronic conditions.There is no proof that comorbidity causes more aggressive cancers.Our research indicates that forecasting survival is a two-stage issue.Predicting a patient's fiveyear survival rate is the initial step.In the second phase, those whose expected outcome is "death" are told how long they have left to live.Male and female concurrent cancer cases were identified and categorised using the SEER database (Stomach, Lung, Liver, Thyroid and Skin Cancers).The dataset was handled throughout the classification phase using CHI 2based feature selection.These two techniques addressed the issues that an inconsistent data set raised.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| 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) | 0,002 | 0,001 |
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 ».