Impact of applying machine learning to the electronic medical record on prediction of cancer-associated thrombosis.
Notice bibliographique
Résumé
409 Background: Cancer-associated thrombosis (CAT) is preventable among high-risk individuals with prophylactic anticoagulation. Risk assessment tools focus only on the initial period after cancer diagnosis; however, some patients may face different risks during different periods of their cancer journey. We developed a longitudinal machine learning system to predict the risk of CAT throughout cancer treatment. Methods: Using electronic health record data at Princess Margaret Cancer Centre, we assembled a cohort of people with thoracic and gastrointestinal cancer receiving systemic treatments between August 1, 2017 and December 31, 2019. We manually labelled 5,000 CT scans and 500 Doppler ultrasounds for the occurrence of CAT. We fine-tuned open-source large language models (LLMs) on those labelled reports, which we then used to automatically detect CAT among all 37,000 CT scans and Dopplers. Finally, we trained longitudinal machine learning systems to predict CAT within 90 days after each cancer treatment. LLMs and the CAT risk prediction system were evaluated among the held-out test cohort of people whose first treatment occurred in 2019. Results: The overall cohort included 2,031 patients and 21,375 treatment sessions. When classifying radiology reports, the fine-tuned LLM achieved an area under the receiver operating characteristic curve (AUROC) of 0.758 for DVT and 0.988 for PE in the test cohort. CAT occurred within 90 days after 6.23% of treatment sessions. The best ML system predicted the risk of CAT within 90 days with an AUROC of 0.651 (95% CI, 0.620-0.678). Considering only the first treatment per patient, treatments within the first 90 days after the first treatment, and treatments after 90 days, the system achieved AUROC of 0.639 (95% CI, 0.568-0.704), 0.599 (95% CI, 0.559-0.642), and 0.741 (95% CI, 0.699-0.783), respectively. Conclusions: Machine learning can longitudinally predict CAT among patients receiving systemic therapy for aerodigestive cancers. These systems could personalize prophylactic anticoagulation by identifying specific periods when patients face sufficient risk to warrant prevention.
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 | 0,005 | 0,016 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».