20 MACHINE LEARNING IDENTIFIES PROGNOSTICATORS OF INTRACRANIAL METASTATIC DISEASE IN PATIENTS WITH BREAST OR LUNG CANCER
Notice bibliographique
Résumé
BACKGROUND: Intracranial metastatic disease is a severe complication of cancer that confers substantial morbidity and mortality. Patients with breast or lung cancer are at particularly elevated risk of IMD. Early identification of individuals at increased risk could enable targeted surveillance and timely intervention. METHODS: We developed interpretable machine-learning competing-risk models to estimate the risk of intracranial metastatic disease among patients with breast or lung cancer. For each cancer type, cause-specific Cox models were combined via the Aalen-Johansen estimator to produce absolute risk estimates at one, three, and five years. RESULTS: Here we show high test set discrimination for intracranial metastatic disease (Uno's C-index: breast 0.95; lung 0.88) and favorable time-dependent precision-recall performance (AUPRC(t) at 1/3/5 years: breast 0.17/0.53/0.63; lung 0.37/0.61/0.64). Decision-curve analysis across relevant thresholds demonstrates greater net clinical benefit than baseline strategies. Model interpretability analysis identifies cancer stage as the dominant determinant in both cancers; in breast cancer, triple-negative and HER2-positive subtypes contribute additional risk, whereas in lung cancer, histology and tumor size are prominent contributors. CONCLUSIONS: Machine-learning based competing-risk survival models offer greater insight into prognostication of intracranial metastatic disease than baseline strategies. These findings support the potential of such models to strengthen personalized risk stratification and guide targeted surveillance for Intracranial metastatic disease among patients with breast or lung cancer.
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 | 0,000 |
| 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 ».