Aplicación del Random Survival Forest en el análisis de la supervivencia del cáncer de mama
DOI:
https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1113Palabras clave:
Neoplasias de mama, Machine Learning, Análisis de SupervivenciaResumen
Este trabajo tiene como objetivo aplicar un método de aprendizaje automático supervisado a un conjunto de datos clínicos de la Zona da Mata Mineira, para evaluar el rendimiento de la precisión de la predicción de la supervivencia para el cáncer de mama. La base de datos utilizada pasó por un preprocesamiento que proporcionó las variables que se emplearían en el Random Survival Forest. Los resultados presentan métricas de rendimiento satisfactorias para los métodos de predicción de la supervivencia. Concluyendo que los métodos de aprendizaje automático son prometedores en la asistencia y orientación en la práctica clínica.
Citas
Ferlay J et al. Cancer statistics for the year 2020: An overview. International Journal of Cancer. 2021;149(4),p.778-89.
World Health Organization. Cancer [Internet]; c2022 [cited 2022 Set 12]. Available from: https://www.who.int/news-room/fact-sheets/detail/cancer
Instituto Nacional de Câncer. Estatísticas de câncer [Internet]; c2022 [cited 2022 Set 10]. Available from: https://www.gov.br/inca/pt-br/assuntos/cancer/numeros/
Carvalho DS, Guerra MR, Barra LP, Queiroz RA. Aspectos gerais epidemiológicos da mortalidade por câncer de mama feminino no brasil e no mundo. Anais Simpósio de Enfermagem [Internet]. 2019 [cited 2022 Out 27];3:[about 1 p.]. Available from: http://pensaracademico.facig.edu.br/index.php/simposioenfermagem/article/view/1116
Cintra JR. Sobrevida e fatores associados em pacientes com câncer de mama, com diagnóstico entre 2003 e 2005 no município de Juiz de Fora – MG. [dissertation]. Juiz de Fora (JF): Universidade Federal de Juiz de Fora, 2012.
Torre LA, Islami F, Siegel RL, Ward EM, Jemal A. Global Cancer in Women: Burden and Trends. Cancer Epidemiol Biomarkers Prev. 2017;26(4):444-457.
Carvalho DS, Guerra MR, Barra LP, Queiroz RA. Modelagem computacional do crescimento tumoral mamário. Anais Seminário Científico UNIFACIG [Internet]. 2017 [cited 2022 Out 27];3:[about 1 p.]. Available from: http://pensaracademico.facig.edu.br/index.php/semiariocientifico/article/view/438
Ministério da Saúde (BR). Secretaria de Atenção à Saúde. Protocolos clínicos e diretrizes terapêuticas em Oncologia/Ministério da Saúde, Secretaria de Atenção à Saúde – Brasília : Ministério da Saúde, 2014.
Moncada-Torres A et al. Explainable machine learning can outperform Cox regression predictions and provide insights in breast cancer survival. Scientific Reports. 2021;11(1):p.1-13.
Li J et al. Predicting breast cancer 5-year survival using machine learning: a systematic review. PloS one [Internet]. 2021 [cited 2022 Out 27];16(4):[about 1 p.]. Available from: https://doi.org/10.1371/journal.pone.0250370
Tapak L et al. Prediction of survival and metastasis in breast cancer patients using machine learning classifiers. Clinical Epidemiology and Global Health. 2019;7(3):p.293-9.
Xiao J, Mo M, Wang Z, Zhou C, Shen J, Yuan J, He Y, Zheng Y. The Application and Comparison of Machine Learning Models for the Prediction of Breast Cancer Prognosis: Retrospective Cohort Study. JMIR medical informatics [Internet]. 2022[cited 2022 Out 27]; 10(2):[about 1 p.]. Available from: https://medinform.jmir.org/2022/2/e33440
Hueman MT et al. Creating prognostic systems for cancer patients: A demonstration using breast cancer. Cancer medicine. 2018;7(8):p.3611-21.
Lai X et al. Toward Personalized Computer Simulation of Breast Cancer Treatment: A Multiscale Pharmacokinetic and Pharmacodynamic Model Informed by Multitype Patient Data. Cancer research. 2019;79(16):p.4293-304.
Nave O. Adding features from the mathematical model of breast cancer to predict the tumour size. International Journal of Computer Mathematics: Computer Systems Theory. 2020;5(3):p.159-174.
Aivaliotis G et al. A comparison of time to event analysis methods, using weight status and breast cancer as a case study. Scientific reports. 2021;11(1):p. 1-9.
Pinheiro TS et al. Machine Learning e Análise Multivariada aplicados à Sobrevida do Câncer Mama. J Health Inform [Internet]. 2022[cited 2022 Out 27];(14).[about 1 p.]. Available from: https://jhi.sbis.org.br/index.php/jhi-sbis/article/view/971
Ishwaran H et al. Random survival forests. The annals of applied statistics. 2008;2(3):p.841-60.
Breiman L. Random forests. Machine Learning, Springer Science and Business Media LLC. 2001;45(1):p.5–32.
Ishwaran H, Lu M. Standard errors and confidence intervals for variable importance in random forest regression, classification, and survival. Statistics in medicine. 2019;38(4):p.558-82.
Understanding Predictions in Survival Analysis. [Internet];[cited 2022 Set 12]. Available from: https://scikit-survival.readthedocs.io/en/stable/user_guide/
Pölsterl S. scikit-survival: A Library for Time-to-Event Analysis Built on Top of scikit-learn. J. Mach. Learn. Res. 2020;21(212):p.1-6.
Fast Unified Random Forests with random. [Internet];[cited 2022 Set 12]. Available from:
https://www.randomforestsrc.org/articles/survival.html
Uno H, Cai T, Pencina MJ, D’Agostino RB, Wei LJ. On The C-statistics for evaluating overall adequacy of risk prediction procedures with censored survival data. Statistics In medicine. 2011;30(10):1105-17.
Graf E, Schmoor C, Sauerbrei W, Schumacher M.Assessment and comparison of prognostic classification schemes for survival data. Statistics in medicine. 1999;18(17-18):2529-45.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Daniela Schimitz de Carvalho, Thallys da Silva Nogueira, Priscila Vanessa Zabala Caprile Goliatt
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
