Predicting survival outcomes of HNC patients with quality register data and deep survival model
No Thumbnail Available
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Author
Date
2024-06-17
Department
Major/Subject
Bioinformatics and Digital Health
Mcode
SCI3092
Degree programme
Master’s Programme in Life Science Technologies
Language
en
Pages
55 + 22
Series
Abstract
Head and neck cancer (HNC) is a heterogeneous group of cancers which combined are the seventh most abundant cancer type worldwide. The combination of poor 5-year survival (50-60%) and unexpected cancer recurrences and deaths require a deeper investigation into HNC to further understand factors leading into different outcomes. Deep survival clustering is a powerful method for simultaneously assessing cluster- specific characteristics, unique for revealed patient phenotypes, and predicting event-free survival probabilities for new patients. In this work, quality register data of HNC patients, collected in 2018-2023 in Helsinki University Hospital (HUS), was analysed and its usability for predicting patient outcomes was determined. Overall survival predictions showed promising performance for predictions (C-indexes 0.798 ± 0.011) and phenotyping of patients. On the contrary, recurrence free survival predictions fell short in terms of predictive performance (C-index 0.588 ± 0.040) but demonstrated potential in phenotyping the patients. Both outcome prediction models require further examination before being clinically usable.Pään ja kaulan alueen syöpä on heterogeeninen ryhmä syöpiä, jotka yhteen las kettuna ovat seitsemänneksi yleisin syöpä maailmanlaajuisesti. 5-vuoden selviytymisennuste on heikko (50-60%) ja toisinaan potilaat kohtaavat odottamattomia syövän uusiutumia sekä kuolemia, minkä vuoksi erilaisiin lopputuloksiin johtavien muuttujien löytäminen on tärkeää. Syväoppimiseen ja potilaiden klusterointiin perustuva elinaika-analyysi on menetelmä, jolla voidaan samaan aikaan sekä ennustaa selviytymistodennköisyyksiä ja selviytymisaikoja, että löytää muuttujat, jotka liittyvät erilaisiin lopputuloksiin. Tässä työssä käytettiin Helsingin yliopistollisessa sairaalassa (HUS) vuosina 2018-2023 diagnosoitujen pään ja kaulan alueen syöpäpotilaiden laaturekisteridataa ja arvioitiin sen käyttökelpoisuutta erilaisten lopputulosten ennustamisessa. Selviytymisennustemalli osoitti lupaavia tuloksia sekä ennustetarkkuudelle (C-indeksi 0.798 ± 0.011) että potilaiden klusteroinnille. Uusiutumisennustemalli sen sijaan ei tuottanut luotettavaa ennustetarkkuutta (C-indeksi 0.588 ± 0.040), mutta osoitti kykyä klusteroida potilaita. Molemmat ennustemallit vaativat tarkkaa validointia ennen kuin niitä voidaan käyttää kliinisesti.Description
Supervisor
Lähdesmäki, HarriThesis advisor
Renkonen, RistoKoskinen, Miika
Keywords
head and neck cancer, survival analysis, quality register data, clustering, deep learning
