肺癌查使用基于深度学习的反事实预测的现实世界的有效性

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 因果推理因果推理

背景情况:

• 肺癌查 (LCS) 的实际益处和危害仍在争论中.
• 之前的研究主要使用了人口级数据,限制了个性化有效性评估.
• 预测建模的进步为在现实环境中评估LCS提供了新的方法.

研究的目的:

• 开发和评估肺癌风险和死亡率的反事实预测模型.
• 评估LCS对患者肺癌风险和死亡率的个性化治疗效应 (ITE).
• 证明ITE模型对于个性化临床决策支持的有用性.

主要方法:

• 利用传统和基于深度学习 (DL) 的因果推断方法.
• 开发了肺癌风险和死亡率的反事实预测模型.
• 评估模型使用来自OneFlorida+临床研究联盟的队列.

主要成果:

• 开发了个性化治疗效应 (ITE) 模型,以预测每位患者对LCS的影响.
• 该研究表明,因果关系方法能够估计LCS的个性化益处.
• 这些发现支持使用ITE模型来定制肺癌查决策.

结论:

• 反事实预测模型,包括基于DL的因果方法,可以有效地估计肺癌查的个性化治疗效果.
• 这些患者层面的洞察力超越了人口平均值,为个性化临床决策提供了信息.
• ITE估计模型具有提高瘤学临床决策支持系统的巨大潜力.