Children Hematopoietic Stem Cell Transplant Survival Status Prediction using Machine Learning
Notice bibliographique
Résumé
A surgical treatment known as a bone marrow transplant (BMT) or hematopoietic stem cell transplant (HSCT) successfully treats bone marrow diseases. However, the treatment has a number of risk factors that may reduce long-term survival. This research aimed to predict the survival of children receiving Hematopoietic Stem Cell Transplantation (HSCT) or bone marrow transplant (BMT) using different machine learning classifier models, including Decision Tree (DT), K-Nearest Neighbors (KNN), Random Forest (RF), AdaBoost (AdB), Gradient Boosting Classifier (GBC), and XGBoost (XGB), using a publicly available dataset. The study involved preprocessing the data and balancing it using SMOTEENN to address the class imbalance issue. Feature selection was also performed using chi-square and correlation methods, resulting in the use of 19 out of 39 features. The data was then split into a 70–30 train-test ratio and trained using the aforementioned machine learning classifier models. The results showed that the decision tree classifier had the highest accuracy rate of 96.77%. These findings suggest that machine learning models can be utilized to predict the survival of children undergoing HSCT, with the decision tree classifier being the most accurate. So, this research provides a foundation for future studies that aim to improve the accuracy of survival predictions for children undergoing HSCT. Additionally, the findings may be utilized to aid in treatment decision-making and counseling for patients and their families.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».