短期和长期的每周患者报告的结果预测接受放射治疗:单患者时间序列模型与基于变压器的多患者时间序列模型

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:

• 患者报告的结果 (PROs) 提供了关键的主观健康见解,通常被临床指标遗漏.
• 在放射治疗期间准确的每周PRO预测对于监测患者状态,优化治疗和管理副作用至关重要.

研究的目的:

• 评估单患者 (VAR,VAR-Inc) 和多患者 (TFT) 时间序列模型,以预测前列腺癌放射治疗中的每周PROs.
• 为了比较这些模型的预测性能和稳定性,特别是在短期和长期预测中.

主要方法:

• 利用了17名患者的前列腺癌PRO数据集.
• 进行比较的矢量自回归 (VAR),VAR与增量基准真相 (VAR-Inc) 和时间融合变压器 (TFT) 模型.
• TFT利用多患者的异质信息来捕获复杂的时间模式.

主要成果:

• VAR-Inc的表现优于VAR,强调了增量PRO数据更新的价值.
• 在长期PRO预测中,TFT显著优于VAR模型,表现出卓越的准确性 (较低的MAE/RMSE) 和趋势捕捉.
• 与VAR-Inc不同,TFT通过整合跨患者相似性,显示出缺少的随访数据的稳定性.

结论:

• 时间融合变压器 (TFT) 是用于PRO预测的可靠方法,在长期准确性和数据差距弹性方面表现出色.
• 对于个性化治疗适应,TFT能够合成多患者异质数据,这与单个患者模型相比具有显著的优势.
• 基于变压器的模型显示了增强PRO驱动放射治疗管理和临床决策的巨大潜力.