A survival prediction model for colorectal cancer patients

Abstract

The importance of making predictions in health is mainly linked to the decision-making process. Make survival predictions accurately is a very difficult task for healthcare professionals and a major concern for patients. On the one hand, it can help physicians decide between palliative care or other medical practice for a patient. On the other hand, the notion of remaining lifetime could help patients in the realization of dreams. However, the prediction of survivability is directly related to the experience of health professionals and their ability to memorize. Most decisions are made based on probability and statistics, but these are based on large groups of people and may not be suitable to predict what will happen in particular cases. Consequently, the use of machine learning techniques have been explored in healthcare. Their ability to help solve diagnostic and prognosis problems has been increasingly exploited. The main contribution of this work is a prediction tool of survival of patients with cancer of the colon and/or rectum, after treatment and a few years after treatment. The characteristics that distinguishes it is the balance between the number of required inputs and their performance in terms of prediction. The tool is compatible with mobile devices, includes a online learning component that allows for automatic recalculation and flexibly of the prediction models, by adding new cases. The tool aims to facilitate the access of healthcare professionals for instruments that enrich their practice and improve their results. This increases the productivity of healthcare professionals, enabling them to make decisions faster and with a lower error rate.

A importância de fazer previsões na área da saúde está sobretudo ligada ao processo de tomada de decisão. Fazer previsões de sobrevivência de forma precisa é uma tarefa muito difícil para os profissionais de saúde e uma grande preocupação para os pacientes. Por um lado, pode ajudar os médicos a decidir entre cuidados paliativos ou outra prática médica para um paciente. Por outro lado, a noção do tempo de vida remanescente poderia ajudar os pacientes na concretização de sonhos. No entanto, este tipo de previsão está diretamente relacionada com a experiência do profissional de saúde e da sua capacidade de memorizar. A maior parte das decisões são tomadas com base em probabilidades e estatística, mas estas têm como base grandes grupos de pessoas, podendo não ser adequadas para prever o que vai acontecer em casos particulares. Por conseguinte, a utilização de técnicas de machine learning têm sido exploradas na área da saúde. A sua capacidade para ajudar a resolver problemas de diagnóstico e prognóstico tem sido cada vez mais explorada. A principal contribuição deste trabalho é uma ferramenta de previsão da sobrevida de pacientes com cancro do cólon e/ou do reto, após o tratamento e alguns anos após o tratamento. As características que a distingue são o equilíbrio entre o número de entradas necessárias e o seu desempenho a nível da previsão. A ferramenta, compatível com dispositivos móveis, possui uma componente de aprendizagem em tempo real que permite recalcular de forma automática e evolutiva os modelos usados para fazer a previsão, através da adição de novos casos. A ferramenta tem como propósito facilitar o acesso dos profissionais de saúde a instrumentos capazes de enriquecer a sua prática e melhorar os seus resultados. Esta aumenta a produtividade dos profissionais de saúde, permitindo que estes tomem decisões mais rapidamente e com uma taxa de erro menor.