論文の概要: Boosted Random Forests for Predicting Treatment Failure of Chemotherapy Regimens
- arxiv url: http://arxiv.org/abs/2512.10995v1
- Date: Wed, 10 Dec 2025 13:49:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-15 15:48:11.511015
- Title: Boosted Random Forests for Predicting Treatment Failure of Chemotherapy Regimens
- Title（参考訳）: 化学療法レギュメンスの治療失敗予測のための無作為林の増生
- Authors: Muhammad Usamah Shahid, Muddassar Farooq,
- Abstract要約: 患者のプロファイルから収集したリアルワールドエビデンス(RWE)に基づいた治療失敗モデルを構築した。
最も頻度の高い治療失敗(または中止)を伴う5種類の原発性癌の症例を経験したので報告する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cancer patients may undergo lengthy and painful chemotherapy treatments, comprising several successive regimens or plans. Treatment inefficacy and other adverse events can lead to discontinuation (or failure) of these plans, or prematurely changing them, which results in a significant amount of physical, financial, and emotional toxicity to the patients and their families. In this work, we build treatment failure models based on the Real World Evidence (RWE) gathered from patients' profiles available in our oncology EMR/EHR system. We also describe our feature engineering pipeline, experimental methods, and valuable insights obtained about treatment failures from trained models. We report our findings on five primary cancer types with the most frequent treatment failures (or discontinuations) to build unique and novel feature vectors from the clinical notes, diagnoses, and medications that are available in our oncology EMR. After following a novel three axes - performance, complexity and explainability - design exploration framework, boosted random forests are selected because they provide a baseline accuracy of 80% and an F1 score of 75%, with reduced model complexity, thus making them more interpretable to and usable by oncologists.
- Abstract（参考訳）: がん患者は、いくつかの連続した治療法や計画を含む、長くて痛みを伴う化学療法を受けることができる。
治療不効力やその他の有害事象は、これらの計画の中止(または失敗)を招き、早期に変更し、患者とその家族にかなりの量の身体的、経済的、感情的な毒性をもたらす。
本研究では,我々の腫瘍学EMR/EHRシステムで利用可能な患者のプロファイルから収集したリアルワールドエビデンス(RWE)に基づく治療失敗モデルを構築した。
また、トレーニングされたモデルから得られた機能エンジニアリングパイプライン、実験方法、および治療失敗に関する貴重な洞察についても説明します。
本症例では, 臨床検査, 診断, 薬剤から, 特異かつ新規な特徴ベクターを構築するために, 最も頻度の高い治療失敗(あるいは中止)の5種類のがんについて報告する。
パフォーマンス、複雑性、説明可能性という3つの新しいフレームワークに従うと、ベースラインの精度が80%、F1スコアが75%となり、モデルの複雑さが減り、腫瘍学者がより理解しやすく、使用することができるため、ランダムな森林が選択される。
関連論文リスト
- ModalSurv: A Multimodal Deep Survival Framework for Prostate and Bladder Cancer [5.509924404430891]
提案するModaliSurvは、DeepHitをプロジェクション層とモード間相互アテンションを備えたマルチモーダルディープサバイバルモデルである。
このモデルは、モーダル性にまたがる相補的な予後信号を捕捉し、個別化された時間-生化学的再発を推定するように設計されている。
論文 参考訳（メタデータ） (2025-09-05T11:52:53Z) - Utilizing AI and Machine Learning for Predictive Analysis of Post-Treatment Cancer Recurrence [0.393259574660092]
本研究では,AIモデルとMLモデルががん再発予測の精度と信頼性を高める方法について検討する。
本稿では, 教師なしおよび教師なし学習を用いたがん患者のパターン識別と予後予測のためのAIおよびML技術について述べる。
論文 参考訳（メタデータ） (2025-02-20T03:54:12Z) - Probabilistic Temporal Prediction of Continuous Disease Trajectories and Treatment Effects Using Neural SDEs [6.5527554277858275]
神経差分方程式(NSDE)による疾患進行の持続的時間的進化をモデル化するための最初の因果時間的枠組みを提示する。
本研究は,将来のMS障害(EDSSなど)と治療効果を正確に予測するための,不確実性に基づく因果学習(DL)モデルとして,最初の成功例を示す。
論文 参考訳（メタデータ） (2024-06-18T17:22:55Z) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳（メタデータ） (2022-12-13T19:06:00Z) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳（メタデータ） (2022-11-18T03:26:31Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Disentangled Counterfactual Recurrent Networks for Treatment Effect
Inference over Time [71.30985926640659]
本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。
時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。
実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
論文 参考訳（メタデータ） (2021-12-07T16:40:28Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。