Collecte de données
Table of Contents
Une analyze rétrospective a été menée sur la base de données d’une équipe de soutien en chimiothérapie orale et sur les dossiers médicaux de patients ayant reçu des inhibiteurs du VEGFR dans un hôpital entre janvier 2014 et juin 2021. Les informations suivantes ont été recueillies : contexte clinique au début du traitement par inhibiteurs du VEGFR (âge, sexe, taille, poids, indice de performance ECOG, type de cancer, état initial de la peau), type d’inhibiteur du VEGFR et photographies de la plante du pied prises dans la semaine précédant le début du traitement. Le grade CTCAE documenté du syndrome main-pied (SMP) a été collecté rétrospectivement à partir des dossiers médicaux électroniques. En l’absence d’évaluation du grade dans les dossiers médicaux électroniques, le grade a été évalué sur la base de photographies et des plaintes ou de l’état du patient, tels que documentés dans les dossiers médicaux.
Déclarations éthiques
Le comité d’éthique d’un hôpital a approuvé l’étude (numéro d’approbation : 2041) conformément aux principes de la Déclaration d’Helsinki de 1964 et de ses versions ultérieures.
Consentement à participer
L’exigence de consentement éclairé des patients a été levée par le comité d’éthique de l’hôpital grâce à l’utilisation d’une méthode de retrait. Le but et les méthodes de la recherche ont été affichés sur le site web de l’hôpital, garantissant ainsi aux patients la possibilité de refuser de participer à l’étude.
Méthodes d’apprentissage automatique
Deux modèles distincts ont été créés : (1) un modèle de prédiction de l’apparition d’un SMP de grade 2 ou supérieur à partir d’images de pieds (Image-IA) et (2) un modèle de prédiction de l’apparition d’un SMP de grade 2 ou supérieur à partir d’informations cliniques (Info-IA). Après avoir développé ces deux modèles, (3) un modèle combinant les sorties de (1) et (2) (Ensemble-IA) a été créé, et la sortie de (3) a été utilisée comme sortie finale. L’utilisation de ce type de fusion tardive pour l’ensemble des informations d’image et non d’image visait à comparer facilement la précision lorsque (1) les images seules, (2) les informations cliniques seules ou (3) les deux étaient utilisées comme entrées du modèle.Lors du développement d’Image-IA, les images ont été prétraitées à l’aide de la méthode de binarisation d’otsu pour supprimer l’arrière-plan. Les images ont été augmentées par une gigue de couleur aléatoire (plage de facteur de luminosité, [− 0,2, 0,2] ; plage de facteur de contraste, [− 0,2, 0,2] ; et probabilité, 0,5), un retournement vertical aléatoire (probabilité : 0,5), un retournement horizontal aléatoire (probabilité : 0,5), une rotation aléatoire (plage d’angle : [− 7, 7], probabilité : 0,5) et une correction gamma aléatoire (plage gamma : [80, 120] et probabilité : 0,5). Pendant l’entraînement et les tests, les images ont été traitées de manière à ce que les intensités de pixels soient comprises entre 0 et 1 et que la résolution soit de 256 × 256. Un modèle unique composé de ResNet50 pré-entraîné sur la base de données ImageNet a été utilisé comme extracteur de caractéristiques, et une couche entièrement connectée a été concaténée au-dessus de l’extracteur de caractéristiques.Un modèle unique a été entraîné pendant 30 époques pour minimiser la perte d’entropie croisée binaire à l’aide de l’optimiseur Adam avec les hyperparamètres suivants : taille de lot de huit et taux d’apprentissage de 0,0001. les modèles ont été développés et évalués à l’aide d’une validation croisée stratifiée en 4 parties par patient avec cinq graines aléatoires différentes, et les sorties ont été moyennées sur les graines pour produire la sortie d’Image-IA.
Lors du développement d’Info-IA, XGBoost avec les hyperparamètres suivants a été utilisé comme modèle unique : le poids minimal de l’enfant était de trois et la profondeur maximale était de cinq.Les valeurs manquantes ont été imputées en utilisant la moyenne des caractéristiques. Semblable à Image-IA,les modèles ont été développés et évalués à l’aide d’une validation croisée stratifiée en 4 parties par patient avec 10 graines aléatoires différentes,et les sorties ont été moyennées sur les graines pour produire la sortie d’Info-IA. L’Ensemble-IA a été moyenné sur les sorties d’Image-IA et d’Info-IA.
Lors de l’étude des valeurs SHapley Additive ExPlanations (SHAP) pour Info-IA, le modèle a été réentraîné en utilisant tous les ensembles de données.
Le développement et l’évaluation ont été effectués en Python 3.7 en utilisant PyTorch 1.6.0, Torchvision 0.7.0, Albumentations 1.3.0 et xgboost 1.6.2.
Collecte de données
Une analyze rétrospective a été menée sur la base de données d’une équipe de soutien en chimiothérapie orale et sur les dossiers médicaux de patients ayant reçu des inhibiteurs du VEGFR dans un hôpital entre janvier 2014 et juin 2021. Les informations suivantes ont été recueillies : contexte clinique au début du traitement par inhibiteurs du VEGFR (âge, sexe, taille, poids, indice de performance ECOG, type de cancer, état initial de la peau), type d’inhibiteur du VEGFR et photographies de la plante du pied prises dans la semaine précédant le début du traitement. Le grade CTCAE documenté du syndrome main-pied (SMP) a été collecté rétrospectivement à partir des dossiers médicaux électroniques. en l’absence d’évaluation du grade dans les dossiers médicaux électroniques, le grade a été évalué sur la base de photographies et des plaintes ou de l’état du patient, tels que documentés dans les dossiers médicaux.