Survival-Based Treatment Planning Using Stage-Specific Machine Learning Models
Notice bibliographique
Résumé
The significance of prognostic survivability in determining optimal treatment strategies for critical illnesses is widely acknowledged. However, there has been a lack of emphasis on the advancement of treatment planning models based on survival outcomes within clinical decision support systems. The research presented in this paper proposes an innovative framework for the planning of treatment strategies based on survival outcomes in the context of multi-stage diseases, with the aim of effectively tackling this issue. Our proposed system aims to predict a comprehensive list of treatment combinations for cancer patients, specifically focusing on their expected survival outcomes. The proposed solution aims to enhance the decision-making process of medical professionals by providing them with comprehensive and comprehensible treatment recommendations. To conduct survivability classification and regression analysis for patients with identical cancer stages, a two-step approach is employed. This involves the development of stage-specific Machine Learning models using breast cancer data that includes treatment information. Based on a real dataset on cancer patients, we aim to investigate the performance of the models under different balancing strategies. Our contribution in this work is the formulation of a treatment planning inference system, which focuses on prognostic considerations. This system utilizes patient data and estimates the survivability associated with each treatment plan in order to predict the recommended course of action. This facilitates the integration of the developed survival prediction models into the process of treatment planning. Ultimately, the system generates visual representations that illustrate the comparative significance of different features, as well as the decision-making process employed by the model in order to yield easily comprehensible outcomes for a specific patient. The study presents experimental findings that illustrate the efficacy of our proposed framework in the domains of treatment planning and survival estimation.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».