Abstract A034: Model-free scoring system for risk prediction and early detection
Notice bibliographique
Résumé
Abstract There is a growing need to develop risk-prediction scoring systems for survival data that can facilitate early detection and guide clinical decision-making for early-onset cancers. Identifying important risk factors (e.g., genetic or molecular biomarkers) is particularly critical for patient screening and timely treatment recommendations in this population. However, most existing methods either rely on strong modeling assumptions (such as proportional hazards) or are restricted to binary outcomes, limiting their utility in this context. In this article, we propose a flexible approach that simultaneously selects important risk factors and constructs an optimal linear risk score by maximizing a pseudo-likelihood function based on the time-dependent area under the receiver operating characteristic curve. This framework is especially relevant for evaluating risk profiles and recommending personalized surveillance or early interventions for patients at elevated risk of early-onset cancers. We establish desirable theoretical properties of the method, including asymptotic normality and the oracle property after variable selection. Its performance is further assessed through simulation studies and illustrated with an application to hepatocellular carcinoma data, where the method is used to identify biomarkers predictive of early-stage disease and to support strategies for early detection and intervention. Citation Format: Ying Yuan. Model-free scoring system for risk prediction and early detection [abstract]. In: Proceedings of the AACR Special Conference in Cancer Research: The Rise in Early-Onset Cancers—Knowledge Gaps and Research Opportunities; 2025 Dec 10-13; Montreal, QC, Canada. Philadelphia (PA): AACR; Clin Cancer Res 2025;31(23_Suppl):Abstract nr A034.
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 | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».