利用卷积神经网络来预测化疗患者的症状升级:一种时间重新采样方法
Joseph Finkelstein1, Aref Smiley1, Christina Echeverria2
1Department of Biomedical Informatics, The University of Utah, SLC, UT, USA.
Studies in health technology and informatics
|April 9, 2025
概括
预测化疗症状升级对于患者护理至关重要. 卷积神经网络 (CNN) 是有前途的,三天间隔为症状变化提供了最好的预测准确度.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 数字健康数字健康
背景情况:
- 化疗中的症状升级会影响患者的生活质量和治疗坚持.
- 及时干预对于癌症治疗中有效的症状管理至关重要.
- 现有的方法可能无法完全捕捉症状进展的时间动态.
研究的目的:
- 开发和评估一种新的卷积神经网络 (CNN) 方法,用于预测化疗患者的症状升级.
- 为了研究数据重抽样间隔长度对预测性能的影响.
- 通过准确的预测,加强主动的症状管理.
主要方法:
- 利用化学疗法患者每日自我报告的症状日志的数据集.
- 应用卷积神经网络 (CNN) 用于预测症状升级.
- 将失衡数据重新采样成不同的间隔长度 (3-7天),以更好地检测症状变化.
主要成果:
- 在3天的重新抽样间隔内,CNN模型实现了最佳性能.
- 使用3天的间隔,实现了79%的准确性,85%的精度,79%的回忆力和82%的F1得分.
- 与较长的间隔相比,较短的间隔显示出更高的性能,精度保持一致.
结论:
- 基于CNN的模型有效地捕捉了化疗症状进展中的时间模式.
- 使用较短数据间隔的预测模型可以提高症状升级预测的准确性.
- 将这些模型集成到数字健康平台中可以促进个性化,主动的癌症护理,并改善治疗坚持.
