使用混合深度学习架构预测化疗相关症状恶化

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:

• 化疗患者经历各种身体和精神症状.
• 预测症状升级对于及时干预和改善患者结果至关重要.
• 症状升级数据中的高阶层不平衡对预测建模构成了挑战.

研究的目的:

• 开发和评估一种混合深度学习模型 (CNN-LSTM),用于预测化疗患者的症状升级.
• 评估不同数据聚合间隔的有效性,以提高预测性能.
• 为实时临床干预提供人工智能驱动的决策支持.

主要方法:

• 使用混合卷积神经网络与长短期记忆 (CNN-LSTM) 深度学习架构.
• 汇总每日自我报告的症状数据,分为3至7天的间隔,以解决类不平衡并增强时间分辨率.
• 雇佣了五次交叉验证,以进行强大的模型培训和概括评估.

主要成果:

• 该CNN-LSTM模型实现了83%的准确性,89%的精度,86%的回忆,88%的F1得分和83%的AUC,用于使用5天间隔预测身体症状.
• 将最佳数据聚合到5天间隔,显著提高了对身体症状的预测准确度.
• 证明了该模型在捕捉症状进展预测的时间依赖性方面的能力.

结论:

• 像CNN-LSTM这样的混合深度学习模型对于化学疗法患者的持续症状监测和早期检测是有效的.
• 由人工智能驱动的决策支持系统可以通过准确的症状预测来增强临床干预.
• 集成到数字健康平台可以通过促进实时症状跟踪和预测来提高护理质量.