Constrained Tensor Factorization for Cancer Phenotyping and Mortality Prediction
Résumé fourni par la source
Electronic health records (EHR) enable machine learning methods like tensor factorization to extract computational phenotypes. Using Northwestern Medicine data (2000-2015), we analyzed breast, prostate, colorectal, and lung cancer cohorts to predict five-year mortality. Adding a supervised term, indication filtering, and social determinants of health (SDOH) covariates improved interpretability and performance. AUCs ranged from 0.623-0.694 (breast), 0.603-0.750 (prostate), 0.523-0.641 (colorectal), and 0.517-0.623 (lung). Constrained tensor factorization proves effective for deriving mortality-predictive phenotypes from sparse EHR data.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Constrained Tensor Factorization for Cancer Phenotyping and Mortality Prediction
- Date Crossref
- 07/08/2025
- Éditeur
- IOS Press
- Type
- book-chapter
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude et ne compte pas comme une seconde source scientifique indépendante.
Institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.