Towards Digital Twins in Prostate Cancer: A Mixture-of-Experts Framework for Multitask Prognostics in Hospital Admissions
Notice bibliographique
Résumé
Early risk prediction is essential for hospitalized prostate cancer (PCa) patients, who face acute events, such as mortality, ICU transfer, AKI (acute kidney injury), ED30 (unplanned 30-day Emergency Department revisit), and prolonged LOS (length of stay). We developed an MMoE (Multitask Mixture-of-Experts) model that jointly predicts these outcomes from the features of the multimodal EHR (Electronic Health Records) in MIMIC-IV (3956 admissions; 2497 patients). A configuration with six experts delivered consistent gains over strong single-task baselines. On the held-out test set, the MMoE improved rare-event detection (mortality AUPRC (Area Under the Precision-Recall Curve) of 0.163 vs. 0.091, +79%) and modestly boosted ED30 discrimination (AUROC (Area Under the Receiver Operating Characteristic Curve) ≈0.66 with leakage-safe ClinicalBERT fusion) while maintaining competitive ICU and AKI performance. Expert-routing diagnostics (top-1 shares, entropy, and task-dead counts) revealed clinically coherent specialization (e.g., renal signals for AKI), supporting interpretability. An efficiency log showed that the model is compact and deployable (∼85 k parameters, 0.34 MB; 0.027 s/sample); it replaced five single-task predictors with a single forward pass. Overall, the MMoE offered a practical balance of accuracy, calibrated probabilities, and readable routing for the prognostic layer of digital-twin pipelines in oncology.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».