Survival Comparison of Open and Endovascular Repair Using Machine Learning

Today there exists two types of preventive surgical treatment procedures for Abdominal Aortic Aneurysm. In order to make an informed choice of treatment, the clinician needs to have a clear picture of how the choice will affect the patients chances of survival. In this master thesis, machine learning techniques are used to predict survival probabilities after respective treatment procedure and the performance is compared to the more conventional Kaplan-Meier estimator. Using Danish patient data, different machine learning models for survival predictions were trained and evaluated by their performance. Administrative Brier Score was used as performance metric as the data was administratively censored. An Ensemble model consisting of one Random Survival Forest and one Neural Multi Task Logistic Regression model was shown to achieve the best performance and significantly outperformed the conventional Kaplan-Meier model. Furthermore, an approach to investigate the predicted effects of choice of treatment was introduced. It showed that on average the Ensemble model predicted the choice of treatment to have less effect on the long term survival than what the corresponding prediction using the Kaplan-Meier estimator suggested. This applies to the full patient group as well as for patients of age between 70 and 79 years. In the latter case this prediction was also shown to be more accurate.
Idag finns det två typer av förebyggande kirurgiska behandlingsmetoder för abdominal aortaaneurysm. För att göra ett välgrundat val av behandlingsmetod måste läkaren ha en tydlig bild av hur valet kommer att påverka patienternas överlevadschanser. I detta examensarbete används maskininlärningstekniker för att förutsäga överlevnadssannolikheten efter respektive behandlingsmetod och prestandan jämförs mot den mer konventionella Kaplan-Meier-estimatorn. Med hjälp av dansk patientdata tränades olika maskininlärningsmodeller avsedda för överlevnadanalys och utvärderades utifrån deras prestanda. Administrativt Brier Score användes som mätvärde då censureringen i datan skett administrativt. En Ensemble-modell bestående av en Random Survival Forest- och en Neural Multi-Task Logistic Regression-modell visade sig uppnå bäst prestanda och överträffade signifikant den konventionella Kaplan-Meier-estimatorn. Dessutom introducerades ett tillvägagångssätt för att undersöka de predikterade effekterna av valet av behandling. Resultaten visade att Ensemble-modellen i genomsnitt förutspådde valet av behandling att ha mindre effekt på den långsiktiga överlevnaden än vad motsvarande förutsägelse med Kaplan-Meier-estimatorn föreslog. Detta både för alla patienter såväl som för patienter i åldern mellan 70 och 79 år. I det senare fallet visade sig denna förutsägelse också vara mer träffsäker.