Development of Machine Learning Models for Predicting Radiation Dermatitis in Breast Cancer Patients Using Clinical Risk Factors, Patient-Reported Outcomes, and Serum Cytokine Biomarkers
Notice bibliographique
Résumé
BACKGROUND: Radiation dermatitis (RD) is a significant side effect of radiotherapy experienced by breast cancer patients. Severe symptoms include desquamation or ulceration of irradiated skin, which impacts quality of life and increases healthcare costs. Early identification of patients at risk for severe RD can facilitate preventive management and reduce severe symptoms. This study evaluated the utility of subjective and objective factors, such as patient-reported outcomes (PROs) and serum cytokines, for predicting RD in breast cancer patients. The performance of machine learning (ML) and logistic regression-based models were compared. PATIENTS AND METHODS: Data from 147 breast cancer patients who underwent radiotherapy was analyzed to develop prognostic models. ML algorithms, including neural networks, random forest, XGBoost, and logistic regression, were employed to predict clinically significant Grade 2+ RD. Clinical factors, PROs, and cytokine biomarkers were incorporated into the risk models. Model performance was evaluated using nested cross-validation with separate loops for hyperparameter tuning and calculating performance metrics. RESULTS: Feature selection identified 18 predictors of Grade 2+ RD including smoking, radiotherapy boost, reduced motivation, and the cytokines interleukin-4, interleukin-17, interleukin-1RA, interferon-gamma, and stromal cell-derived factor-1a. Incorporating these predictors, the XGBoost model achieved the highest performance with an area under the curve (AUC) of 0.780 (95% CI: 0.701-0.854). This was not significantly improved over the logistic regression model, which demonstrated an AUC of 0.714 (95% CI: 0.629-0.798). CONCLUSION: Clinical risk factors, PROs, and serum cytokine levels provide complementary prognostic information for predicting severe RD in breast cancer patients undergoing radiotherapy. ML and logistic regression models demonstrated comparable performance for predicting clinically significant RD with AUC>0.70.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 | 0,001 |
| 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 ».