相关实验视频
Updated: Sep 12, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
7.1K
对于癌症表型和死亡率预测的受约束张量因子化
Francisco Y Cai1, Chengsheng Mao1, Yuan Luo1
1Feinberg School of Medicine, Northwestern University, Chicago, IL, USA.
Studies in health technology and informatics
|August 8, 2025
概括
使用电子健康记录 (EHR) 的机器学习可以预测癌症患者的死亡率. 用健康的社会决定因素增强的张量因子化,显示出从稀疏数据中导出这些计算表型的前景.
科学领域:
- 计算生物学是一种计算生物学.
- 医疗信息学 医疗信息学
- 机器学习在瘤学中
背景情况:
- 电子健康记录 (EHR) 包含大量的患者数据.
- 机器学习 (ML) 方法可以从EHR中提取有价值的信息.
- 来自EHR的计算表型可以帮助临床预测.
研究的目的:
- 将张量分解应用于EHR数据,以预测五年癌症死亡率.
- 评估监督术语,指示过和健康社会决定因素 (SDOH) 对预测模型性能的影响.
- 评估受约束的张量分解对于从稀疏的EHR数据中提取表型的有效性.
主要方法:
- 利用了2000-2015年的西北医学 (Northwestern Medicine) EHR数据.
- 分析了乳腺癌,前列腺癌,结肠直肠癌和肺癌的队列.
- 使用受约束的张量分解,添加监督项,指示过和SDOH共变量.
主要成果:
- 模型性能因癌症类型而异,AUC范围从0.517到0.750.
- 通过添加监督术语,指示过和SDOH共变量,观察到可解释性和性能的改善.
- 约束式张量因子化在推导死亡率预测表型方面表现出有效性.
结论:
- 约束式张量分解是从稀疏的EHR数据中提取死亡率预测表型的可行方法.
- 整合SDOH和监督学习技术可以提高基于EHR的预测模型的性能和可解释性.
- 这种方法为使用例行收集的健康数据改进癌症患者结果预测提供了一条途径.
