Survival prediction in metastatic breast cancer using artificial intelligence: a scoping review
Notice bibliographique
Résumé
PURPOSE OF REVIEW: Accurately predicting survival in metastatic breast cancer (MBC) is essential to support personalized treatment decisions. This scoping review examines the current applications of artificial intelligence (AI) models for survival prediction in MBC and highlights their relevance in improving clinical outcomes. RECENT FINDINGS: Of 1787 records screened, 15 studies met inclusion criteria. These studies used supervised learning approaches, including random survival forests (13.3%), Naïve Bayes classifiers (13.3%), and logistic regression models (20.0%), to predict overall survival, progression-free survival, and treatment response. Input data varied widely, incorporating electronic health records, clinical data, imaging, and genomic profiles. Among included studies, 66.7% addressed all three major breast cancer subtypes, 20.0% focused on ER-positive HER2-negative cases, and 13.3% did not specify subtype. Model performance varied, with sensitivities ranging from 42% to 90%, specificities from 53% to 90%, and area under the curve values between 0.70 and 0.85. SUMMARY: AI models show promising potential for improving survival prediction in MBC, offering tools to support more individualized care. However, limitations remain, including inconsistent data quality, suboptimal model performance, and a lack of external validation. Future work should focus on refining models and ensuring clinical applicability through robust validation.
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 | 0,005 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,008 | 0,008 |
| 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 | 0,001 |
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 ».