Predicting survival outcomes of HNC patients with quality register data and deep survival model
| dc.contributor | Aalto-yliopisto | fi |
| dc.contributor | Aalto University | en |
| dc.contributor.advisor | Renkonen, Risto | |
| dc.contributor.advisor | Koskinen, Miika | |
| dc.contributor.author | Heinolainen, Anni | |
| dc.contributor.school | Perustieteiden korkeakoulu | fi |
| dc.contributor.supervisor | Lähdesmäki, Harri | |
| dc.date.accessioned | 2024-06-23T17:02:43Z | |
| dc.date.available | 2024-06-23T17:02:43Z | |
| dc.date.issued | 2024-06-17 | |
| dc.description.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. | en |
| dc.description.abstract | 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. | fi |
| dc.format.extent | 55 + 22 | |
| dc.identifier.uri | https://aaltodoc.aalto.fi/handle/123456789/129277 | |
| dc.identifier.urn | URN:NBN:fi:aalto-202406234862 | |
| dc.language.iso | en | en |
| dc.programme | Master’s Programme in Life Science Technologies | fi |
| dc.programme.major | Bioinformatics and Digital Health | fi |
| dc.programme.mcode | SCI3092 | fi |
| dc.subject.keyword | head and neck cancer | en |
| dc.subject.keyword | survival analysis | en |
| dc.subject.keyword | quality register data | en |
| dc.subject.keyword | clustering | en |
| dc.subject.keyword | deep learning | en |
| dc.title | Predicting survival outcomes of HNC patients with quality register data and deep survival model | en |
| dc.title | Pään ja kaulan alueen syöpäpotilaiden lopputulosten ennustaminen laaturekisteridatalla ja syväoppimiseen perustuvalla elinkaika-analyysimallilla | fi |
| dc.type | G2 Pro gradu, diplomityö | fi |
| dc.type.ontasot | Master's thesis | en |
| dc.type.ontasot | Diplomityö | fi |
| local.aalto.electroniconly | yes | |
| local.aalto.openaccess | no |
