用于预测化疗方案治疗失败的提升随机森林
定量方法
2025-12-15 v1 机器学习
摘要
癌症患者可能经历漫长且痛苦的化疗，包含多个连续的方案或计划。治疗无效及其他不良事件可能导致这些计划的中断（或失败），或过早更改方案，从而给患者及其家庭带来巨大的身体、经济和情感负担。在本工作中，我们基于从肿瘤学 EMR/EHR 系统中可用的患者档案收集的真实世界证据（Real World Evidence, RWE），构建了治疗失败模型。我们还描述了特征工程流程、实验方法以及从训练模型中获得的关于治疗失败的有价值见解。我们报告了在治疗失败（或中断）最频繁的五种主要癌症类型上的发现，利用肿瘤学 EMR 中可用的临床笔记、诊断和药物记录，构建了独特且新颖的特征向量。在遵循以性能、复杂性和可解释性为三个轴心的新型设计探索框架后，我们选择了提升随机森林，因为它提供了 80% 的基线准确率和 75% 的 F1 分数，同时降低了模型复杂度，从而使其对肿瘤学家更具可解释性和可用性。
引用
@article{arxiv.2512.10995,
title = {Boosted Random Forests for Predicting Treatment Failure of Chemotherapy Regimens},
author = {Muhammad Usamah Shahid and Muddassar Farooq},
journal= {arXiv preprint arXiv:2512.10995},
year = {2025}
}
备注
International Conference on Artificial Intelligence in Medicine. Cham: Springer Nature Switzerland, 2023