.png){kind=icon}
返回
Predicting Depression Risk in Patients With Cancer Using Multimodal Data: Algorithm Development Study
.png){kind=icon}
OA
AI
DOI：10.2196/51925.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景: 癌症患者开始全身治疗方案，如化疗，通常会发展为抑郁症。预测模型可以帮助医生和卫生保健工作者早期识别这些脆弱的患者。目的: 本研究旨在建立癌症治疗第一个月内抑郁风险的预测模型。方法: 我们纳入了16,159例诊断为癌症的患者，开始化疗或放疗治疗2008年和2021。机器学习模型 (例如，最小绝对收缩和选择算子 [LASSO] 逻辑回归) 和自然语言处理模型 (来自Transformers [BERT] 的双向编码器表示) 用于使用电子健康记录数据和非结构化文本 (患者电子邮件和临床医生笔记) 开发多模式预测模型。在独立的测试集 (n = 5387，33%) 中使用受试者工作特征曲线下面积 (AUROC)，校准曲线和决策曲线分析评估模型性能，以评估初始临床影响使用。结果: 在16,159名患者中，437名 (2.7%) 在治疗的第一个月内被诊断为抑郁症。基于结构化数据 (AUROC 0.74，95% CI 0.71-0.78) 和具有电子邮件分类分数的结构化数据 (AUROC 0.74，95% CI 0.71-0.78) 的LASSO逻辑回归模型具有最佳的判别性能。基于临床医生笔记和结构化数据以及电子邮件分类评分的BERT模型的auroc约为0.71。仅基于电子邮件分类评分的逻辑回归模型表现不佳 (AUROC 0.54，95% CI 0.52-0.56)，而仅基于临床医生记录的模型表现最差 (AUROC 0.50，95% CI 0.49-0.52)。校准对逻辑回归模型有利，而BERT模型即使在重新校准后也产生了过于极端的风险估计。有一个小范围的决策阈值，表现最佳的模型显示出有希望的临床有效性。女性和黑人患者的风险被低估了。结论: 结果证明了机器学习和多峰模型预测癌症患者抑郁风险的潜力和局限性。未来的研究需要进一步验证这些模型，完善与精神卫生相关的结果标签和预测因子，并解决亚组之间的偏差。
Keyword:
natural language processing
machine learning
artificial intelligence
oncology
depression
clinical decision support
decision support
cancer
patients with cancer
chemotherapy
mental health
prediction model
depression risk
cancer treatment
radiotherapy
diagnosis
validation
cancer care
care
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.8
论文数:
1.5K
被引数:
4.3K
机构
引用论文
Sequences of S-glycoproteins, products of the Brassica campestris self-incompatibility locus.png)
Nature
NatureIF0
PREAI
分享收藏Dissecting racial bias in an algorithm used to manage the health of populations在用于管理人群健康的算法中剖析种族偏见SCIENCEOAAI
SCIENCEIF45.8
OAAI分享收藏Decrease in Depression Symptoms Is Associated With Longer Survival in Patients With Metastatic Breast Cancer: A Secondary Analysis转移性乳腺癌患者抑郁症状减轻与生存期延长相关: 一项二次分析OAAI
OAAI分享收藏分享收藏
查看更多内容