An intelligent machine learning model for real-time early detection of undesirable cancer events: AIM2REDUCE.
Notice bibliographique
Résumé
1557 Background: Cancer and its treatment cause undesirable cancer events (UCEs). Automated warning systems could reduce the frequency and severity of UCEs by alerting the healthcare team and allocating preventative interventions. Most previous studies predicted single UCEs at the initiation of treatment. In AIM2REDUCE, we developed and evaluated a general-purpose system for predicting UCEs during outpatient systemic anti-cancer therapy. Methods: Each time a patient receives treatment, AIM2REDUCE applies machine learning to the preceding data in the electronic medical record (EMR) to predict future UCEs. We identified patients treated for aerodigestive cancers from the EMR at Princess Margaret Cancer Centre, who were randomly split into development, validation, and test cohorts. Features included cancer diagnosis, treatment sessions with doses, laboratory tests, and patient-reported symptoms. UCEs are listed in the Table. We trained LASSO regression and random forests models in the training cohort and tuned hyperparameters in the validation cohort using Bayesian optimization. We evaluated performance across discrimination, calibration, and net benefit in the test cohort. Results: The cohort included 5,760 patients who received 175,565 treatment sessions, with 13,612,746 unique data points across 102 features. Of these patients, 2,352 (40.8%) were female, the median age was 64.0 years (interquartile range 14.0), the most common diagnoses were lung cancer (2,071, 36.0%) and pancreatic cancer (926, 16.1%), and the most common treatment regimens were weekly gemcitabine (433, 7.5%) and maintenance pemetrexed (417, 7.2%). The Table shows the performance of AIM2REDUCE. Conclusions: We demonstrate that longitudinal machine learning systems trained using EMR data can accurately predict a wide range of UCEs. Based on these results, automated warning systems should be implemented and evaluated in real-time clinical practice. [Table: see text]
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 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 ».