Un modelo de predicción de terminación de ensayos clínicos basado en autoencoder de eliminación de ruido y regresión...

Área de la Ciencia:

• Bioestadística
• Metodología de Ensayos Clínicos
• Aprendizaje Automático en Atención Médica

Sus antecedentes:

• Los ensayos clínicos eficaces son vitales para el progreso médico, pero la terminación temprana conduce al desperdicio de recursos.
• Los modelos de supervivencia predicen los resultados de los ensayos, sin embargo, los datos dispersos desafían los modelos existentes como DeepSurv, lo que limita la precisión y la generalización.
• Los ensayos clínicos a menudo excluyen a las mujeres embarazadas, lo que requiere modelos de predicción especializados para esta población.

Objetivo del estudio:

• Desarrollar un modelo de predicción de supervivencia mejorado para la finalización de ensayos clínicos utilizando datos dispersos.
• Mejorar las capacidades de representación de características para el análisis de supervivencia en ensayos clínicos.
• Abordar específicamente la predicción de la finalización de ensayos en estudios que involucran a mujeres embarazadas.

Principales métodos:

• Se propuso un modelo híbrido que combina un autoencoder de eliminación de ruido (DAE) con el modelo DeepSurv (DAE-DSR).
• Se utilizó DAE para extraer representaciones de características robustas de los datos brutos de ensayos clínicos.
• Se entrenó el modelo DAE-DSR con un conjunto de datos de ClinicalTrials.gov, centrándose en ensayos en mujeres embarazadas.

Principales resultados:

• El modelo DAE-DSR extrajo eficazmente características significativas y robustas para el análisis de supervivencia.
• Se logró un índice C de 0.74 en el conjunto de entrenamiento y 0.75 en el conjunto de prueba.
• Se demostró un rendimiento y una solidez superiores en comparación con los modelos tradicionales de Cox de riesgos proporcionales y el modelo DeepSurv independiente.

Conclusiones:

• El modelo DAE-DSR propuesto mejora significativamente la precisión de la predicción de supervivencia para ensayos clínicos con datos dispersos.
• La capacidad del modelo para capturar características robustas mejora la generalización y el poder predictivo.
• Este enfoque ofrece una herramienta más confiable para predecir la finalización de ensayos clínicos, particularmente en grupos subrepresentados como las mujeres embarazadas.