通过混合交互式机器学习来监测癌症患者的早期预警系统

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:

• 智能手机应用程序可以帮助在接受全身治疗的癌症患者中早期发现症状和副作用.
• 机器学习 (ML) 可以支持及时调整治疗,减少不良事件和住院.

研究的目的:

• 开发一个预警系统 (EWS),预测需要进行支持性干预并防止计划外的医院访问.
• 为混合预测模型将ML的数据分析能力与人类专业知识相结合.
• 解决不平衡数据集和人类监督在预测不良事件方面的局限性.

主要方法:

• 一个白盒ML算法 (规则学习器) 从智能手机应用程序 (ePROs,生命体,自由文本) 中分析了患者数据,以预测计划外的访问.
• 使用成本矩阵评估触发警报的规则,优先考虑成本较低的规则 (尽量减少虚假负数).
• 瘤专家审查和完善高优先级的ML生成规则,以提高可信性和准确性.

主要成果:

• ML规则集实现了19%的回忆率和5%的精度,超过了人类定义的基线,回忆率和精度为0%.
• 医学专家理解并可以修改ML生成的规则,建议精度的潜在改进.
• 专家修改的规则旨在通过建议监测或更简单的干预来减少不必要的医生咨询.

结论:

• ML可以成为人类专家在为癌症患者开发EWS时的鼓舞人心的工具.
• 结合ML和专家知识的混合方法可以为门诊癌症护理创建有效的EWS.
• 动态 ePRO 数据分析帮助专家制定和完善早期检测和干预的规则.