Machine Learning as a Diagnostic and Prognostic Tool for Predicting Thrombosis in Cancer Patients: A Systematic Review
Notice bibliographique
Résumé
Abstract Khorana score (KS) is an established risk assessment model for predicting cancer-associated thrombosis. However, it ignores several risk factors and has poor predictability in some cancer types. Machine learning (ML) is a novel technique used for the diagnosis and prognosis of several diseases, including cancer-associated thrombosis, when trained on specific diagnostic modalities. Consolidating the literature on the use of ML for the prediction of cancer-associated thrombosis is necessary to understand its diagnostic and prognostic abilities relative to KS. This systematic review aims to evaluate the current use and performance of ML algorithms to predict thrombosis in cancer patients. This study was conducted per Preferred Reporting Items for Systematic Reviews and Meta-Analysis guidelines. Databases Medline, EMBASE, Cochrane, and ClinicalTrials.gov, were searched from inception to September 15, 2023, for studies evaluating the use of ML models for the prediction of thrombosis in cancer patients. Search terms “machine learning,” “artificial intelligence,” “thrombosis,” and “cancer” were used. Studies that examined adult cancer patients using any ML model were included. Two independent reviewers conducted study selection and data extraction. Three hundred citations were screened, of which 29 studies underwent a full-text review, and ultimately, 8 studies with 22,893 patients were included. Sample sizes ranged from 348 to 16,407 patients. Thrombosis was characterized as venous thromboembolism (n = 6) or peripherally inserted central catheter thrombosis (n = 2). The types of cancer included breast, gastric, colorectal, bladder, lung, esophageal, pancreatic, biliary, prostate, ovarian, genitourinary, head–neck, and sarcoma. All studies reported outcomes on the ML's predictive capacity. The extreme gradient boosting appears to be the best-performing model, and several models outperform KS in their respective datasets.
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 | 0,007 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,008 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».