Καρκίνος του μαστού | Ποιότητα Ζωής (QOL) | Πρόβλεψη | Μηχανική Μάθηση | Breast cancer | Quality of Life (QOL) | Prediction | Machine Learning
4
55
Περιέχει : πίνακες, διαγράμματα, εικόνες
Η διάγνωση του καρκίνου του στήθους έχει συσχετιστεί με την κακή ψυχική υγεία, καθώς και με σημαντική επίπτωση στην ποιότητα ζωής. Έρευνες έχουν δείξει, ότι αρκετοί δημογραφικοί και κλινικοί παράγοντες μπορεί να επηρεάσουν την ποιότητα ζωής των ασθενών με καρκίνο του μαστού. Ωστόσο, λίγες μελέτες έχουν επαρκή αριθμό δειγμάτων για πολυπαραγοντικές αναλύσεις που πρέπει να δοκιμαστούν. Στην παρούσα εργασία αξιοποιούμε ένα πλούσιο σύνολο κλινικών, ψυχολογικών, κοινωνικο-δημογραφικών δεδομένων και δεδομένων τρόπου ζωής από μια μεγάλη πολυκεντρική μελέτη ασθενών (BOUNCE) που διαγνώστηκαν πρόσφατα με καρκίνο του μαστού, προκειμένου να ταξινομηθούν οι ασθενείς με βάση την κατάσταση της ψυχικής τους υγείας και να εντοπιστούν περαιτέρω πιθανοί προγνωστικοί παράγοντες αυτής της κατάστασης. Τα δεδομένα, που αφορούν ασθενείς με καρκίνο του στήθους (n = 770), έχουν συγκεντρωθεί από τέσσερα μεγάλα ογκολογικά κέντρα, της Ιταλία, της Φινλανδίας, του Ισραήλ και της Πορτογαλίας. Έτσι, αυτή η εργασία, στα πλαίσια της μηχανικής μάθησης, παρουσιάζει μια ανασκόπηση των προγνωστικών αποτελεσμάτων ποιότητας ζωής σε ασθενείς με καρκίνο του μαστού, 18 μήνες μετά τη διάγνωση. Για την πρόβλεψη της ποιότητας ζωής (QOL), χρησιμοποιήθηκαν οι μέθοδοι εκμάθησης συνόλου για ταξινόμηση Random Forest (RF), Support Vector Machine (SVM) και K-Nearest Neighbors (Κ-ΝΝ). Όλα τα μοντέλα αξιοποιούν ένα σύνολο ψυχολογικών χαρακτηριστικών (αισιοδοξία, αντιληπτή ικανότητα αντιμετώπισης του τραύματος, ανθεκτικότητα ως χαρακτηριστικό, ικανότητα κατανόησης της ασθένειας) και υποκειμενικές αντιλήψεις της προσωπικής λειτουργικότητας (σωματική, κοινωνική, γνωστική) ως βασικούς παράγοντες για την μακροπρόθεσμη κατάσταση της ποιότητας ζωής του ασθενούς.
The diagnosis of breast cancer has been linked to poor mental health as well as a significant impact on quality of life. Research has shown that several demographic and clinical factors can affect the quality of life of breast cancer patients. However, few studies have a sufficient number of samples for multifactorial assays to be tested. In the present work we utilize a rich set of clinical, psychological, socio-demographic and lifestyle data from a large multicenter study of patients (BOUNCE) recently diagnosed with breast cancer, in order to classify patients based on their mental health status and to further identify possible prognostic factors of this condition. Data on breast cancer patients (n = 770) were collected from four major oncology centers, Italy, Finland, Israel and Portugal. Thus, this work, in the context of machine learning, presents a review of the prognostic outcomes of quality of life in breast cancer patients, 18 months after diagnosis. For quality of life prediction (QOL), set learning methods were used for Random Forest (RF), Support Vector Machine (SVM) and K-Nearest Neighbors (KNN) classifications. All models utilize a set of psychological characteristics (optimism, perceived ability to deal with trauma, resilience as a characteristic, ability to understand the disease) and subjective perceptions of personal functionality (physical, social, cognitive) as key factors for the long-term quality of life patient.