基于机器学习的化学放射治疗期间住院预测与每日步数计数
Isabel D Friesner1, Jean Feng1,2, Shalom Kalnicki3
1Bakar Computational Health Sciences Institute, University of California, San Francisco.
JAMA oncology
|March 28, 2024
概括
使用每日步数的机器学习模型可以预测接受癌症治疗的患者住院的情况. 这种使用可穿戴设备数据的方法提供了一种有希望的方法来识别面临风险的个人,以便主动干预.
科学领域:
- 在瘤学瘤学.
- 数字健康数字健康
- 机器学习 机器学习
背景情况:
- 同时化学辐射疗法 (CRT) 存在治疗中断和住院的风险,影响疗效和增加成本.
- 身体活动监测为早期识别需要干预的高风险患者提供了一种潜在的方法.
研究的目的:
- 开发和验证机器学习 (ML) 模型,使用可穿戴设备的每日步数来预测CRT期间住院的情况.
- 根据活动数据与临床特征相比,评估ML模型的预测性能.
主要方法:
- 使用可穿戴活动监测器进行CRT的患者的前性试验 (2015年6月至2018年8月).
- 训练和验证ML模型 (随机森林,神经网络,弹性网) 使用临床数据和2周的步数历史.
- 评估模型性能使用接收器运行特征曲线下的区域 (ROC AUC).
主要成果:
- 结合步数和临床特征的弹性网模型实现了高预测能力 (ROC AUC,0.83).
- 仅使用步数的模型表现出优异的预测性能 (ROC AUC,0.85) 与仅使用临床特征 (ROC AUC,0.53) 的模型相比.
- 仅基于步数的弹性网模型优于其他经过测试的ML模型.
结论:
- 机器学习模型利用患者生成的活动数据,特别是步数,可以有效地预测CRT期间的住院.
- 患者生成的健康数据具有显著的潜力,可以提高ML在瘤学中的方法的预测能力.
- 验证的ML模型将在即将举行的多机构随机试验中进一步评估.
