化学療法関連の症状悪化をハイブリッド深層学習アーキテクチャで予測する

科学分野:

• 腫瘍学
• 人工知能
• デジタルヘルス

背景:

• 化学療法患者は、さまざまな身体的および精神的症状を経験します。
• 症状悪化の予測は、タイムリーな介入と患者の転帰の改善にとって重要です。
• 症状悪化データにおける高いクラス不均衡は、予測モデリングにとって課題となります。

研究 の 目的:

• 化学療法患者の症状悪化を予測するためのハイブリッド深層学習モデル（CNN-LSTM）を開発および評価すること。
• 予測パフォーマンスを向上させるためのさまざまなデータ集約間隔の効果を評価すること。
• リアルタイムの臨床介入のためのAI駆動型意思決定支援を可能にすること。

主な方法:

• ハイブリッド畳み込みニューラルネットワークとLong Short-Term Memory（CNN-LSTM）深層学習アーキテクチャを利用しました。
• クラス不均衡に対処し、時間分解能を向上させるために、日次自己申告症状データを3日から7日間の間隔に集約しました。
• 堅牢なモデルトレーニングと一般化評価のために、5分割交差検証を採用しました。

主要な成果:

• CNN-LSTMモデルは、5日間の間隔を使用して身体的症状の予測において、精度83％、適合率89％、再現率86％、F1スコア88％、AUC 83％を達成しました。
• 5日間の間隔への最適なデータ集約は、身体的症状の予測精度を大幅に向上させました。
• 症状進行予測のための時間的依存性を捉えるモデルの能力を実証しました。

結論:

• CNN-LSTMのようなハイブリッド深層学習モデルは、化学療法患者における継続的な症状モニタリングと早期検出に効果的です。
• AI駆動型意思決定支援システムは、正確な症状予測を通じて臨床介入を強化できます。
• デジタルヘルスプラットフォームへの統合は、リアルタイムの症状追跡と予測を容易にすることで、ケアの質を向上させることができます。