一个超样本增强的多类不平衡分类框架,用于使用患者报告的结果来预测患者健康状况

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) 对于在接受放射治疗的癌症患者中管理治疗毒性至关重要.
• 准确的PRO数据分析对于临床决策和治疗后的幸存者护理至关重要.
• 原始的PRO数据往往受到稀疏性和不平衡的毒性分布的影响,阻碍了预测建模.

研究的目的:

• 研究先进的机器学习技术,用于预测患者的疼痛和睡眠障碍等结果.
• 来自癌症治疗中心的PRO数据集中的数据稀疏性和不平衡分布.
• 加强临床决策支持,以管理与治疗相关的毒性.

主要方法:

• 实现了先进的分类器:随机森林 (RF),XGBoost,梯度提升 (GB),支持矢量机 (SVM),MLP-袋装和物流回归 (LR).
• 应用过量抽样技术来管理少数群体的阶级不平衡,同时保持阶级比例.
• 利用了来自癌症治疗中心的PRO数据集,跨越了三种癌症类型.

主要成果:

• 随机森林 (RF) 和XGBoost在多类失衡任务中表现出强大的概括能力.
• 这些模型成功地对各种毒性进行了治疗后的严重程度分类.
• 这些机器学习方法在处理PRO数据所带来的挑战方面被证明是有效的.

结论:

• 射频和XGBoost在预测患者报告的结果和毒性严重程度方面非常有效.
• 这些模型为瘤学家和护理团队提供了有价值的临床决策支持.
• 先进的机器学习可以克服PRO数据的局限性,改善癌症患者的护理和生存率.