从预测到实践:缓解化学疗法诱导的器官功能障碍在未见的癌症中的机器学习模型中的偏差和数据转移
Matthew Watson1,2, Pinkie Chambers2,3, Luke Steventon2,3
1Department of Computer Science, Durham University, Durham, UK.
BMJ oncology
|January 31, 2025
概括
机器学习模型可以预测化疗引起的和肝损伤,优化监测时间表. 这些模型可以对新的癌症类型进行概括,改善患者护理和治疗.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 化疗需要定期监测和肝功能,以防止器官损伤和治疗延迟.
- 目前的监测频率和时间都不够理想.
- 机器学习 (ML) 在临床实践中的部署受到模型偏差和数据异质性担忧的阻碍.
研究的目的:
- 开发ML模型,以便在化疗期间对脏和肝脏监测时间的个性化决策.
- 探索数据转移对ML模型性能的影响.
主要方法:
- 利用了来自英国三家医院的回顾性数据.
- 开发并验证了ML模型,以预测化疗后的3.循环中肌素和胆红素水平的显著增加.
- 包括3614名正在接受乳腺,结肠直肠,肺,卵巢和扩散大B细胞淋巴瘤治疗的患者.
主要成果:
- 在未见数据上获得0.7773的比利鲁宾F2分数和0.6893的肌素F2分数,对灵敏度进行了优化.
- 在不包括在训练中的瘤类型上表现一致 (F2胆红素:0.7423,F2肌素:0.6820).
- 强调了ML在临床环境中的有效性及其对未见瘤类型的概括性.
结论:
- ML模型显示了通过优化器官功能监测来改善化疗患者护理的潜力.
- 拟议的偏见缓解策略包括多站点数据评估,患者子组分析和正式的偏见措施.
- 发现数据聚合技术对模型偏差有意想不到的后果.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.7K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.0K
