Development of clinically based prediction models using machine learning and Bayesian statistics
Main Article Content
Abstract
In this work, the framework for developing generic clinically based models is emphasized and illustrated with Bayesian statistics neurologic grade prediction models in order to exemplify the type of models that can be developed from a mathematical point of view. The models are based on clinical records of patients who underwent radiotherapy treatment due to glioblastoma which is an aggressive brain cancer. A first model requires as a parameter the neurologic grade of the patient before the treatment then predicts the grade after the treatment. A second, enhanced, model was developed with the aim of making the prediction more realistic and it uses the neurologic grade before the treatment as well, but it additionally depends on the Clinical Target Volume (CTV). Furthermore, with the aid of Bayesian statistic we were able to estimate the uncertainty of the predictions.
Article Details
How to Cite
Zambrano Ramírez, O. D., & FONTBONNE, J.-M. (2019). Development of clinically based prediction models using machine learning and Bayesian statistics. Nucleus, (65), 6-10. Retrieved from http://nucleus.cubaenergia.cu/index.php/nucleus/article/view/670
Section
Ciencias Nucleares
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista. Bajo esta licencia el autor será libre de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato
- Adaptar — remezclar, transformar y crear a partir del material
- El licenciador no puede revocar estas libertades mientras cumpla con los términos de la licencia
Bajo las siguientes condiciones:
- Reconocimiento — Debe reconocer adecuadamente la autoría, proporcionar un enlace a la licencia e indicar si se han realizado cambios. Puede hacerlo de cualquier manera razonable, pero no de una manera que sugiera que tiene el apoyo del licenciador o lo recibe por el uso que hace.
- NoComercial — No puede utilizar el material para una finalidad comercial.
- No hay restricciones adicionales — No puede aplicar términos legales o medidas tecnológicas que legalmente restrinjan realizar aquello que la licencia permite.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
La Revista Nucleus solo aceptará contribuciones que no hayan sido previamente publicados y/o procesados, por otra publicación. Cualquier violación ese sentido será considerada una falta grave por parte del autor principal lo cual será objeto valoración por parte del Consejo Editorial, el cual dictaminará al respecto.
References
[1] KANG J, SCHWARTZ R, FLICKINGER J, BERIWAL S. Machine learning approaches for predicting radiation therapy outcomes: a clinician’s perspective. Int J Radiat Oncol Biol Phys. 2015; 93(5): 1127-1135.
[2] EL NAQA I. Perspectives on making big data analytics work for oncology. Methods. 2016; 11: 32-44.
[3] PELLA A, et. al. Use of machine learning methods for prediction of acute toxicity in organs at risk following prostate radiotherapy. Medical physics. 2011; 38: 2859-2867.
[4] SESEN MB, NICHOLSON AE, BANARES-ALCANTARA R, et. al. Bayesian networks for clinical decision support in lung cancer care. PLOS ONE. 2013; 8(12): e82349.
[5] CASTANEDA C, et. al. Clinical decision support systems for improving diagnostic accuracy and achieving precision medicine. J Clin Bioinforma. 2015; 5: 4.
[6] CHIB S, GREENBERG E. Understanding the metropolis-hastings algorithm. The American Statistician. 1995; 49(4): 327-335.
[7] BIBAULT JE, GIRAUD P, BURGUN A. Big data and machine learning in radiation oncology: state of the art and future prospects. Cancer Letters. 2016; 382: 110-117.
[8] LUSTBERG T, et. al. Big data in radiation therapy: challenges and opportunities. Br J Radiol. 2017; 90(1069): 20160689.
[9] ADAMINA M, TOMLINSON G, GULLER U. Bayesian statistics in oncology: a guide for the clinical investigator. Cancer. 2009; 115: 5371-5381.
[2] EL NAQA I. Perspectives on making big data analytics work for oncology. Methods. 2016; 11: 32-44.
[3] PELLA A, et. al. Use of machine learning methods for prediction of acute toxicity in organs at risk following prostate radiotherapy. Medical physics. 2011; 38: 2859-2867.
[4] SESEN MB, NICHOLSON AE, BANARES-ALCANTARA R, et. al. Bayesian networks for clinical decision support in lung cancer care. PLOS ONE. 2013; 8(12): e82349.
[5] CASTANEDA C, et. al. Clinical decision support systems for improving diagnostic accuracy and achieving precision medicine. J Clin Bioinforma. 2015; 5: 4.
[6] CHIB S, GREENBERG E. Understanding the metropolis-hastings algorithm. The American Statistician. 1995; 49(4): 327-335.
[7] BIBAULT JE, GIRAUD P, BURGUN A. Big data and machine learning in radiation oncology: state of the art and future prospects. Cancer Letters. 2016; 382: 110-117.
[8] LUSTBERG T, et. al. Big data in radiation therapy: challenges and opportunities. Br J Radiol. 2017; 90(1069): 20160689.
[9] ADAMINA M, TOMLINSON G, GULLER U. Bayesian statistics in oncology: a guide for the clinical investigator. Cancer. 2009; 115: 5371-5381.